Assessing the Costs of Neuropsychiatric Disease in the Systemic Lupus International Collaborating Clinics (SLICC) Cohort using Multistate Modelling
Notice bibliographique
Résumé
OBJECTIVE: To estimate direct and indirect costs (DC, IC) associated with neuropsychiatric (NP) events in the SLICC Inception Cohort. METHODS: NP events were documented annually using ACR NP definitions and attributed to SLE or non-SLE causes. Patients were stratified into one of three NP states (no, resolved, or new/ongoing NP event). Change in NP status was characterized by inter-state transition rates using multi-state modelling. Annual DC and IC were based on healthcare use and impaired productivity over the preceding year. Annual costs associated with NP states and NP events were calculated by averaging all observations in each state and adjusted through random-effects regressions. Five and 10-year costs for NP states were predicted by multiplying adjusted annual costs per state by expected state duration, forecasted using multistate modelling. RESULTS: 1697 patients (49% White race/ethnicity) were followed a mean of 9.6 years. NP events (n=1971) occurred in 956 patients, 32% attributed to SLE. For SLE and non-SLE NP events, predicted annual, five, and 10-year DC and IC were higher in new/ongoing versus no events. DC were 1.5-fold higher and IC 1.3-fold higher in new/ongoing versus no events. IC exceeded DC 3.0 to 5.2-fold. Among frequent SLE NP events, new/ongoing seizure disorder and cerebrovascular disease accounted for the largest increases in annual DC. For non-SLE NP events, new/ongoing polyneuropathy accounted for the largest increase in annual DC and new/ongoing headache and mood disorder for the largest increases in IC. CONCLUSION: Patients with new/ongoing SLE or non-SLE NP events incurred higher DC and IC.
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».