The Celebrity Effect: How Social Media Changed Ozempic Utilization by Medicaid Patients
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: Recently, glucagon-like peptide-1 receptor agonists (GLP-1 agonists), a drug class used to treat Type 2 Diabetes, has gained popularity on social media for cosmetic weight loss. Celebrity endorsement of Ozempic, brand name of GLP-1 agonist semaglutide, has increased public demand and caused supply shortages. However, effects on Medicaid patients, who use Ozempic for diabetes, have yet to be investigated. Methods: We sourced publicly available drug utilization datasets from Medicaid.gov. Nationwide Medicaid reimbursement data for Ozempic, Wegovy (another brand name of semaglutide), and Jardiance (different diabetes medication drug class) were extracted for 2021, 2022, and 2023. Rates of change per quarter per calendar year were calculated, and two-tailed student’s paired T-tests were conducted. Results: Social media promotions for Ozempic largely began 2022Q4 (Oct 1-Dec 31). Medicaid Ozempic utilization prior to 2022Q4 were significantly different from Jardiance regarding reimbursed units, number of prescriptions, total amount, and Medicaid amount (p0.05), potentially correlating with a difference in publicity for weight loss use compared to Ozempic. Conclusion: This study strongly suggests that social media has impacted Ozempic usage spanning different socioeconomic classes nationwide. Plastic surgeons with aesthetic services should be conscientious of the downstream effects of prescribing cosmetic weight loss drugs and manage patient expectations accordingly as social media continues to drive public demand.
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.
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 | 0,000 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,025 | 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 découle