Analysis of Cost of Illness, Treatment, Complications, and Interventions of Hypercolesterolemia in Mexico in 2016
Bibliographic record
Abstract
OBJETIVOS: Describir los costos y el impacto económico de la atención de pacientes diagnosticados con hipercolesterolemia en México en el año 2016. METODOLOGíA: Se desarrolla una evaluación económica del tipo análisis de costo de la enfermedad donde se cuantifican los recursos médicos utilizados para el tratamiento de la hipercolesterolemia así como para sus complicaciones. Los costos de los recursos médicos utilizados son obtenidos de los costos unitarios por nivel de atención del Instituto Mexicano del Seguro Social (IMSS) así como de las licitaciones publicadas en el portal de compras del IMSS. El uso de recursos se obtiene mediante un panel de expertos y para el porcentaje de presencia de las complicaciones se efectúa una revisión de literatura. Los costos médicos directos son estimados multiplicando la frecuencia de uso por el costo unitario, agrupándolos y obteniendo así los costos individuales de cada recurso médico. RESULTADOS: Los casos de hipercolesterolemia en prevención secundaria con enfermedad coronaria y enfermedad cardiovascular representan un mayor costo promedio anual ($111,835.19, D.E. $84,276.37), seguido de la hipercolesterolemia en prevención secundaria con enfermedad coronaria sin enfermedad cardiovascular ($56,352.13, D.E. $29,004.04), los cuales no incluyen los costos generados por las complicaciones. El resto de los grupos de hipercolesterolemia representan una carga económica menor. CONCLUSIONES: La carga económica de la hipercolesterolemia representa en promedio por caso al año $258,761.37, esto traducido a los aproximadamente 445,075 de casos diagnosticados y tratados al año representaría un impacto económico en el sistema de salud de más de ciento quince mil millones ($115,168,331,355.11).
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
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".