Les coûts du diabète sur 10 ans au Canada : intégration des coûts en soins de santé imputables au diabète à un modèle de prédiction de son incidence
Bibliographic record
Abstract
Introduction Notre objectif était d’estimer les coûts de santé directs liés au traitement du diabète au Canada sur 10 ans, à l’aide de données de sondages nationaux et d’un outil de prévision du risque de diabète, ainsi que les coûts par personne. Méthodologie Nous avons utilisé le Diabetes Population Risk Tool pour estimer le nombre de nouveaux cas de diabète chez les personnes âgées de 20 ans et plus sur 10 ans (jusqu'en 2022) à l’aide des données de 2011 et de 2012 de l’Enquête sur la santé dans les collectivités canadiennes. Nous avons évalué les coûts liés au diabète à partir d’une étude de cohorte faisant appel à l’appariement par score de propension, en utilisant la base de données sur le diabète de l’Ontario ainsi que d’autres données administratives. Nous avons calculé les coûts totaux en utilisant les coûts associés aux nouveaux cas, en tenant compte du sexe, de l’année du diagnostic et des taux de mortalité annuels dus à la maladie. Résultats D'après nos calculs, le risque de développer le diabète sur 10 ans s’élevait pour la population canadienne en 2011-2012 à 9,98 %, soit 2,16 millions de nouveaux cas. Les coûts totaux en soins de santé imputables au diabète pendant cette période sont de 15,36 milliards (7,55 milliards pour les femmes et 7,81 milliards pour les hommes). Ce sont les hospitalisations de courte durée qui constituent la majeure partie de ces coûts (43,2 %). Des interventions menées au sein de la population entraînant une perte de poids de 5 % au sein de la population permettraient de réduire les coûts des soins de santé de 2,03 milliards de dollars. Une réduction du risque de 30 % obtenue grâce à des interventions auprès des personnes à plus haut risque de développer le diabète (c.-à-d. les 10 % au sommet du groupe à risque le plus élevé) entraînerait des économies de l’ordre de 1,48 million de dollars. Conclusion D'ici 2022, le diabète va constituer un lourd fardeau financier pour le système de santé canadien. Notre méthode de calcul des coûts à venir offre aux décideurs et aux planificateurs un outil accessible et clair susceptible de leur permettre de prévoir les dépenses imputables à la maladie et les économies potentielles de coûts associées aux interventions.
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 | 0.004 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 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".