Economic evaluation of damage accrual in an international SLE inception cohort using a multi-state model approach
Notice bibliographique
Résumé
OBJECTIVES: There is a paucity of data regarding healthcare costs associated with damage accrual in systemic lupus erythematosus (SLE). We describe costs associated with damage states across the disease course using multi-state modeling. METHODS: Patients from 33 centres in 11 countries were enrolled in the Systemic Lupus International Collaborating Clinics (SLICC) inception cohort within 15 months of diagnosis. Annual data on demographics, disease activity, damage (SLICC/American College of Rheumatology (ACR) Damage Index [SDI]), hospitalizations, medications, dialysis, and selected procedures were collected. Ten-year cumulative costs (Canadian dollars) were estimated by multiplying annual costs associated with each SDI state by the expected state duration using a multi-state model. RESULTS: 1687 patients participated, 88.7% female, 49.0% of Caucasian race/ethnicity, mean age at diagnosis 34.6 years (SD 13.3), and mean follow up 8.9 years (range 0.6-18.5). Annual costs were higher in those with higher SDIs (SDI ≥ 5: $22 006 2019 CDN, 95% CI $16 662, $27 350 versus SDI=0: $1833, 95% CI $1134, $2532). Similarly, 10-year cumulative costs were higher in those with higher SDIs at the beginning of the 10-year interval (SDI ≥ 5: $189 073, 95% CI $142 318, $235 827 versus SDI=0: $21 713, 95% CI $13 639, $29 788). CONCLUSION: Patients with the highest SDIs incur 10-year cumulative costs that are almost 9-fold higher than those with the lowest SDIs. By estimating the damage trajectory and incorporating annual costs, damage can be used to estimate future costs, critical knowledge for evaluating the cost-effectiveness of novel therapies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».