州级Medicaid药品使用数据获取与样本构建
构建2021-2024年美国州级Medicaid药品使用数据队列,用于评估肥胖标签GLP-1 RA覆盖与使用之间的关联。
从Medicaid State Drug Utilization Data(SDUD)获取季度药品使用和成本数据,纳入GLP-1 RAs,识别覆盖肥胖标签GLP-1 RAs的州和对照州。
GLP-1 Receptor Agonist Coverage for Obesity in Medicaid and Total GLP-1 Receptor Agonist Utilization
横断面生态学分析,使用州级Medicaid药品使用数据,无个体层面功能或机制验证实验。
2021-2024年美国州级Medicaid药品使用数据 9个覆盖肥胖标签GLP-1 RAs的州队列 36个对照州队列
暴露定义:Medicaid覆盖至少一种肥胖标签GLP-1 RA 主要结局:每1000名受益人每季度处方数 次要结局:处方月数和每1000名受益人Medicaid报销金额 统计模型:合成双重差分(SDID)模型 亚组分析:按事先授权限制程度分层
提炼研究问题、关键发现与证据,快速把握文章的核心贡献。
按研究推进顺序梳理实验设计、验证步骤与关键观察。
构建2021-2024年美国州级Medicaid药品使用数据队列,用于评估肥胖标签GLP-1 RA覆盖与使用之间的关联。
从Medicaid State Drug Utilization Data(SDUD)获取季度药品使用和成本数据,纳入GLP-1 RAs,识别覆盖肥胖标签GLP-1 RAs的州和对照州。
定义Medicaid覆盖肥胖标签GLP-1 RAs的暴露以及药品使用和成本的结局指标。
暴露为Medicaid覆盖至少一种肥胖标签GLP-1 RA;主要结局为每1000名受益人每季度处方数;次要结局为处方月数和每1000名受益人Medicaid报销金额。
评估肥胖标签GLP-1 RA覆盖与GLP-1 RA使用之间的关联。
使用合成双重差分(SDID)方法估计覆盖与使用之间的关联,并建立事件研究SDID模型。
评估不同覆盖政策下的关联差异及结果的稳健性。
按事先授权限制程度进行亚组分析,并进行多项敏感性分析。
按研究目的归类文中使用的方法,便于定位所需技术。
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 样本与数据 | 研究期间:2021-2024年;数据来源:Medicaid State Drug Utilization Data(SDUD);处理州数量:9;对照州数量:36;排除州:Delaware、Kansas、Wisconsin、North Carolina、South Carolina、Kentucky。 阅读提示:Methods的Sample and Data小节;eTable 1和eFigure 1。 |
| 暴露定义 | 暴露:Medicaid覆盖至少一种肥胖标签GLP-1 RA;覆盖起始季度通过州Preferred Drug Lists、官方公告和新闻文章验证;14个州报告覆盖,最终纳入9个处理州。 阅读提示:Methods的Exposure and Outcomes小节;eTable 1。 |
| 结局定义 | 主要结局:每1000名受益人每季度处方数;次要结局:处方月数和每1000名受益人Medicaid报销金额;处方月数由报销单位数乘以每单位月供应量计算。 阅读提示:Methods的Exposure and Outcomes小节;eTable 2。 |
| 统计模型 | 统计方法:合成双重差分(SDID);事件研究模型最多8个季度随访;模型包含州级固定效应;未额外纳入协变量;推断使用bootstrap SEs,州特定模型使用placebo SEs;双侧检验,P<.05为显著。 阅读提示:Methods的Statistical Analysis小节。 |
| 亚组分析 | 亚组划分:无事先授权或与FDA标签一致(California、Pennsylvania、Minnesota);比FDA标签更严格(Massachusetts、Michigan、Mississippi、New Hampshire、Virginia);Rhode Island因无法确定覆盖标准被排除。 阅读提示:Methods的Statistical Analysis小节;Table 3。 |