Medicaid中肥胖适应症GLP-1受体激动剂的覆盖与GLP-1受体激动剂总体使用情况

GLP-1 Receptor Agonist Coverage for Obesity in Medicaid and Total GLP-1 Receptor Agonist Utilization

作者信息Ritikaa Khanna, Michael C Wang, Atheendar S Venkataramani
PMID42789287
发布时间2026-09-04
DOI10.1001/jamahealthforum.2026.3353

实验完整度

低

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。

主要模型

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

重点核对

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

摘要

重要性:胰高血糖素样肽-1受体激动剂(GLP-1 RAs)治疗肥胖有效,但因对使用加速的成本担忧,很少有Medicaid项目覆盖它们。然而,肥胖标签GLP-1 RAs与糖尿病标签GLP-1 RAs(具有相同活性成分且所有州均覆盖)之间可能的替代效应尚未被充分理解。目的:确定Medicaid对肥胖标签GLP-1 RAs的覆盖是否与肥胖标签、糖尿病标签及总体GLP-1 RA使用相关。设计、设置和参与者:本横断面研究使用2021年至2024年美国州级Medicaid药品使用数据。采用合成双重差分法评估肥胖标签GLP-1 RA覆盖与GLP-1 RA使用之间的关联。暴露:Medicaid项目对肥胖标签GLP-1 RAs的覆盖。主要结局和测量指标:主要结局为每1000名受益人每季度的处方总数;次要结局包括处方月数(考虑配药持续时间)和每1000名受益人的Medicaid报销金额。结果:在2021年至2024年间开始Medicaid覆盖肥胖标签GLP-1 RAs的9个州(n=89 021 657;男性平均[SD]为49.4%[0.5%],女性为50.6%[0.5%])和36个对照州(n=212 786 953;男性平均[SD]为49.8%[0.9%],女性为50.2%[0.9%])中,总体和糖尿病标签GLP-1 RA使用在两组中均大幅增加,而肥胖标签GLP-1 RA仅在处理州显著增加。合成双重差分模型的估计显示,肥胖标签GLP-1 RA每1000名受益人平均增加6.48张处方(95% CI,4.00-8.96;P<.001),估计值在Medicaid覆盖实施后几乎每个季度都在增加。相比之下,总GLP-1 RA处方与肥胖标签处方的变化相比无统计学显著性(每1000名受益人4.17张[95% CI,−0.33至8.67;P=.07]),糖尿病标签GLP-1 RA处方亦无统计学显著性(每1000名受益人−2.16张处方[95% CI,−5.27至0.96;P=.17])。在事先授权要求比美国食品药品监督管理局标签更严格的州亚组中,糖尿病标签GLP-1 RA使用相对显著减少,每1000名受益人减少3.02张处方(95% CI,−5.69至−0.36;P=.03)。结论与意义:本研究结果表明,肥胖标签和糖尿病标签GLP-1 RAs之间可能存在替代效应,并因州覆盖政策而异,这可能影响覆盖决策。

实验结论

提炼研究问题、关键发现与证据,快速把握文章的核心贡献。

研究问题
Medicaid对肥胖标签GLP-1 RAs的覆盖是否与肥胖标签、糖尿病标签及总体GLP-1 RA使用相关?
核心机制
肥胖标签与糖尿病标签GLP-1 RAs之间可能存在替代效应,并因州覆盖政策而异。
主要证据
合成双重差分模型显示,覆盖州肥胖标签GLP-1 RA每1000名受益人增加6.48张处方(95% CI,4.00-8.96;P<.001),总体和糖尿病标签GLP-1 RA处方变化无统计学显著性;在事先授权比FDA标签更严格的州,糖尿病标签GLP-1 RA每1000名受益人相对减少3.02张处方(95% CI,−5.69至−0.36;P=.03)。
研究意义
研究结果提示,在制定使用和成本预测及评估政策时,支付方可能需要考虑对总体GLP-1 RAs的影响,而不仅关注肥胖标签GLP-1 RAs。

研究路径

按研究推进顺序梳理实验设计、验证步骤与关键观察。

1

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。

2

暴露与结局定义

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。

3

统计关联估计

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。

4

亚组和敏感性分析

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。

研究方法

按研究目的归类文中使用的方法,便于定位所需技术。

关键环节

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。