L’assurance médicaments et son impact sur l’adhésion des patients à leurs médicaments
Bibliographic record
Abstract
L’assurance médicaments est un des facteurs qui peuvent influencer l’adhésion aux médicaments. Les objectifs de ce mémoire étaient d’évaluer l’impact du type d’assurance médicaments (publique versus privée) sur l’adhésion et le coût des antihypertenseurs et d’évaluer l’impact des procédures de remboursement et de la contribution du patient sur l’adhésion aux médicaments prescrits pour traiter une maladie chronique. Afin de répondre à ces objectifs, deux cohortes rétrospectives ont été construites à partir des bases de données de la RAMQ et reMed : une cohorte appariée d’utilisateurs d’antihypertenseurs couverts par une assurance médicaments privée ou publique et une cohorte de patients couverts par une assurance médicaments privée ayant rempli au moins une ordonnance pour un médicament traitant une maladie chronique. Les résultats montrent que le niveau d’adhésion aux antihypertenseurs était similaire entre les deux types d’assurance médicaments et que le coût des antihypertenseurs était 28,9 % plus élevé au privé. De plus, il a été observé que les procédures de remboursement n’affectaient pas l’adhésion, alors que le niveau de contribution des patients l’affectait. Les patients qui déboursaient un plus grand montant à l’achat de leurs médicaments étaient moins adhérents (différence : -19,0 %, Intervalle de confiance [IC] à 95 % : -24,0 à -13,0), alors que les patients qui n’avaient rien à débourser étaient moins adhérents (différence : -9,0 %, IC à 95 % : -15,0 à -2,0), que ceux qui devaient débourser une petite somme. Les résultats présentés dans ce mémoire montrent que l’assurance médicaments influence l’adhésion par l’entremise des caractéristiques des plans d’assurance.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.009 | 0.046 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".