Examining persistency in the high-cost state among mental health high-cost patients : a population-based analysis
Notice bibliographique
Résumé
Background: While most literature on high-cost health care users has evaluated this population as a whole, few studies have focused on high-cost patients with mental illness and whether they persist in the high-cost state. We sought to analyze persistent mental health high-cost patients in depth and determine predictors of persistency in the high-cost state. Methods: We used eight years of longitudinal patient-level population data (2010 to 2017) from Ontario to follow high-cost patients (those in and above the 90th percentile of the cost distribution) with mental illness. We classified high-cost patients, based on the proportion of the study period spent in the high-cost state, as persistent (6 to 8 years), sporadic (1 to 2 years) or moderate (3 to 5 years). We compared characteristics between groups and determined predictors of being a persistent mental health high-cost patient. Results: Among 52,638 mental health high-cost patients, 18,149 (34.5%) were persistent high-cost patients. Persistent mental health high-cost patients had higher mean annual costs of care ($44,714, 95% CI $43,724 to $45,703) compared to sporadic ($31,055, 95% CI $30,359 to 31,751) and moderate ($23,205, 95% CI $22,741 to $23,668) patients, largely due to psychiatric hospitalizations. Persistent mental health high-cost patients were more likely to be female, older, long-term residents, living in low-income or urban areas, or to have comorbidities. The strongest predictors of persistent (v. sporadic) high-cost status were HIV (RRR 4.32, 95% CI 3.08 to 6.06), psychosis (RRR 3.41, 95% CI 3.25 to 3.58), and dementia (RRR 3.21, 95% CI 2.81 to 3.68). Interpretation: Among mental health high-cost patients, persistence in the high-cost state was mainly determined by psychosis and other comorbidities. Quality of care interventions directed at the management of psychosis and multimorbidity, as well as preventive interventions to target patients with mental illness before they become persistent high-cost patients are needed.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».