Open Collections

UBC Theses and Dissertations

UBC Theses Logo

UBC Theses and Dissertations

Equity in the use and financing of medicines in British Columbia before and after the move to income-based… Hanley, Gillian Elizabeth 2011

Your browser doesn't seem to have a PDF viewer, please download the PDF to view this item.

Item Metadata


24-ubc_2011_fall_hanley_gillian.pdf [ 1MB ]
JSON: 24-1.0102578.json
JSON-LD: 24-1.0102578-ld.json
RDF/XML (Pretty): 24-1.0102578-rdf.xml
RDF/JSON: 24-1.0102578-rdf.json
Turtle: 24-1.0102578-turtle.txt
N-Triples: 24-1.0102578-rdf-ntriples.txt
Original Record: 24-1.0102578-source.json
Full Text

Full Text

                EQUITY IN THE USE AND FINANCING OF MEDICINES IN BRITISH COLUMBIA BEFORE AND AFTER THE  MOVE TO INCOME‐BASED PHARMACARE        by      Gillian Elizabeth Hanley    BSc, Dalhousie University, Canada, 2004  MA, McMaster University, Canada, 2005    A THESIS SUBMITTED IN PARTIAL FULFILLMENT   OF THE REQUIREMENTS FOR THE DEGREE OF    DOCTOR OF PHILOSOPHY    in      The Faculty of Graduate Studies    (Health Care and Epidemiology)        THE UNIVERSITY OF BRITISH COLUMBIA    (Vancouver)      August 2011        ©Gillian Elizabeth Hanley, 2011        ii    Abstract  Background: In May 2003, the B.C. government introduced an income‐based pharmacare  program, in which subsidy and private payments for prescription drugs are determined  according to household income. Given the limited understanding of the equity implications of  this policy, the objectives of my thesis were: to determine the degree of income‐related  inequity in the use of ACE‐inhibitors, beta‐blockers and statins before and after the  introduction of income‐based pharmacare in a population of acute myocardial infarction (AMI)  patients; to validate the ability of the Johns Hopkins case‐mix adjusters to predict prescription  drug expenditures and use, and; to determine the redistributive effect of the move to income‐ based pharmacare on the overall income distribution in B.C.   Methods: Using population‐based administrative databases, I identified all AMI patients who  survived for at least 120 days after suffering their first AMI between 1999 and 2006. According  to their household income level, I examined their odds of initiating on ACE‐inhibitors, beta‐ blockers and statins. Among those who initiated I calculated concentration indices for days of  therapy on each of these medicines. I validated the use of the ACG case‐mix adjusters to predict  both expenditures on and use of prescription drugs using generalized linear models and C‐ statistics. I performed a redistributive analysis to examine whether, and how, income inequality  in the province changed as a result of the differences in prescription drug financing after the  introduction of income‐based pharmacare.         iii    Results: My results reveal that higher income men and women were significantly more likely to  initiate on treatment with beta‐blockers and statins than those in the lowest income quintile.  Higher income men were also more likely to initiate on ACE‐inhibitors. Concentration indices  reveal that high‐income AMI patients received significantly more days of therapy on all three  medicines than low‐income AMI patients. The ACG case mix system was found to have high  predictive ability for both prescription drug expenditures and use. I also found that income‐ based pharmacare had a redistributive effect that resulted in increased income inequality in  B.C.   Conclusions: My findings suggest that income‐based pharmacare, as it was implemented in  B.C., does not meet the health equity standards articulated by Canadians.             iv    Preface  This statement is to certify that the work in this thesis was conceived, conducted and written by  Gillian Hanley. All research described in this dissertation was approved by the University of  British Columbia’s Behavioural Research Ethics Board: UBC BREB Number: H08‐01361.  Gillian Hanley was entirely responsible for the work in Chapters 1, 2, 5, and 7.   Chapter 3 is based on work conducted by Gillian Hanley (GH), Dr. Steve Morgan, and Dr. Robert  Reid. GH was responsible for the conception of the study, the study design, conducting the data  analysis, writing the manuscript, and revising the manuscript. Dr. Morgan and Dr. Reid  participated in designing the study and editing the manuscript.   Chapter 4 is based on work conducted by Gillian Hanley, Dr. Steve Morgan, and Dr. Robert Reid.  GH was responsible for conception of the study, study design, conducting the data analysis,  writing the manuscript, and revising the manuscript. Dr. Morgan and Dr. Reid helped define the  appropriate study inclusion/exclusion criteria, and they edited the manuscript.  Chapter 6 is based on work conducted by Gillian Hanley, Dr. Steve Morgan, Dr. Morris Barer, Dr.  Robert Reid. GH was responsible for conception of the study, study design, conducting the data  analysis, writing the manuscript, and revising the manuscript. Dr. Morgan, Dr. Barer and Dr.  Reid approved the study design, suggested some additional analysis, and edited the  manuscript.        v    A version of Chapter 3 has been published:  Hanley GE, Morgan S, Reid RJ. Explaining prescription drug use and expenditures using  the adjusted clinical groups case‐mix system in the population of British Columbia,  Canada. Med Care 2010;48:402‐408.  A version of Chapter 4 has been published:  Hanley GE, Morgan S, Reid RJ.  Income‐related inequity in initiation of evidence‐based  therapies among patients with acute myocardial infarction. J Gen Intern Med 2011. DOI:  10.1007/s11606‐011‐1799‐1.  A version of Chapter 6 has been published:   Hanley GE, Morgan S, Barer M, Reid RJ. The redistributive effect of the move from age‐ based to income‐based prescription drug coverage in British Columbia, Canada. Health  Policy 2011;101:185‐194.            vi    Table of contents  Abstract……………………………………………………………………………………………………………………. ii  Preface…………………………………………………………………………………………………………………….. iv  Table of contents…………………………………………………………………………………………………….. vi  List of tables……………………………………………………………………………………………………………… x  List of figures…………………………………………………………………………………………………………… xii  Acknowledgements………………………………………………………………………………………………… xiii  1  Introduction ........................................................................................................... 1  1.1  Preamble ................................................................................................................ 1  1.2  B.C. pharmacare policy changes ............................................................................ 3  1.3  What is already known about the move to income‐based pharmacare? ............. 9  1.3.1  Impact on access .............................................................................................. 9  1.3.2  Impact on costs .............................................................................................. 11  1.3.3  Impact on the distribution of financial burden ............................................. 13  1.4  Unanswered questions about equity ................................................................... 14  1.5  Research objective 1: Income‐related inequity in use of medicines among first‐ time AMI patients in B.C. ...................................................................................... 15  1.5.1  The evidence on cost‐sharing and access to medicines ................................ 18  1.6  Research objective 2: Validation of Johns Hopkins case‐mix adjusters as  predictive in prescription drug research .............................................................. 22  1.6.1  Adjusted clinical groups as predictive of health care use ............................. 23  1.7  Research objective 3: The redistributive effect of the policy change on overall  income distribution in the province ..................................................................... 28  1.7.1  Equity in health care financing ...................................................................... 30  1.8  Summary .............................................................................................................. 34  1.9  Thesis roadmap .................................................................................................... 35  2  Data sources ......................................................................................................... 37        vii    2.1  Outline of data sources and permissions ............................................................. 37  2.2  Consolidation file ................................................................................................. 39  2.3  Hospital separations and vital statistics death information ................................ 41  2.4  Physician billings .................................................................................................. 42  2.5  B.C. PharmaNet .................................................................................................... 43  2.6  Fair PharmaCare income information .................................................................. 44  2.7  Statistics Canada .................................................................................................. 45  2.7.1  Tax filer data .................................................................................................. 45  2.7.2  Social policy simulation database and model ................................................ 47  2.8  Publicly available data—medical service premiums ............................................ 49  3  Explaining prescription drug use and expenditure using the adjusted clinical groups  case‐mix system ..................................................................................................... 51  3.1  Introduction ......................................................................................................... 51  3.2  Methods ............................................................................................................... 52  3.2.1  Data and study population ............................................................................ 52  3.2.2  Calculating the ACGs and the Charlson index ................................................ 54  3.2.3  Statistical analysis .......................................................................................... 55  3.3  Results .................................................................................................................. 57  3.3.1  Explaining any use of medicines and use of medicines from 4 or more  therapeutic categories ................................................................................... 61  3.3.2  Explained variability in prescription drug expenditure ................................. 63  3.3.3  Predicting across cost and medical condition groups ................................... 65  3.4  Discussion ............................................................................................................. 66  4  Income‐related inequity in initiating on evidence‐based therapies among patients  with acute myocardial infarction ............................................................................ 69  4.1  Introduction ......................................................................................................... 69  4.2  Methods ............................................................................................................... 71  4.2.1  Study population ............................................................................................ 71  4.2.2  Data and variable construction ...................................................................... 74        viii    4.2.3  Statistical analysis .......................................................................................... 75  4.3  Results .................................................................................................................. 76  4.4  Discussion ............................................................................................................. 81  5  Income‐related inequity in the days of pharmaceutical therapy among those for  whom treatments were initiated following AMI ..................................................... 85  5.1  Introduction ......................................................................................................... 85  5.2  Methods ............................................................................................................... 86  5.2.1  Data and study population ............................................................................ 86  5.2.2  Statistical analysis .......................................................................................... 86  5.3  Results .................................................................................................................. 91  5.4  Discussion ............................................................................................................. 98  6  The redistributive effect of the move from age‐based to income‐based prescription  drug coverage in British Columbia, Canada ........................................................... 103  6.1  Introduction ....................................................................................................... 103  6.2  Income‐based public drug benefits in B.C. ........................................................ 105  6.3  Methods ............................................................................................................. 106  6.3.1  Data sources and variable construction ...................................................... 106  6.3.2  Statistical analysis ........................................................................................ 109  6.4  Results ................................................................................................................ 115  6.4.1  Redistributive effect .................................................................................... 119  6.4.2  Sensitivity analyses and policy simulations ................................................. 123  6.5  Discussion ........................................................................................................... 126  6.6  Conclusions ........................................................................................................ 129  7  Conclusion .......................................................................................................... 131  7.1  Summary and contributions .............................................................................. 131  7.1.1  Adjusted clinical groups case‐mix system as predictors of prescription drug  use and expenditure .................................................................................... 132        ix    7.1.2  Income‐related inequity in use of medicines among first‐time AMI patients  in B.C. ........................................................................................................... 134  7.1.3  The redistributive effect of the policy change on overall income distribution  in B.C. ........................................................................................................... 137  7.2  Strengths and limitations ................................................................................... 139  7.3  Recommendations ............................................................................................. 142  7.4  Conclusions ........................................................................................................ 146  References……………………………………………………………………………………………………………. 147  Appendix: Changes in rates of initiation before and after the move to income‐based  pharmacare ………………………………………………………………………………………………………….  161                   x    List of tables  Table 1: Maximum amount paid privately (including pharmacist dispensing fees) in 2001, 2002  and 2004 in B.C. .............................................................................................................................. 8  Table 2: Data sources for empirical analyses ................................................................................ 38  Table 3: Estimates of consumption taxes derived from the social policy simulation database and  model ............................................................................................................................................ 48  Table 4: B.C. MSP premium rates 2001‐2004 ............................................................................... 50  Table 5: Study population demographics, comorbidity, prescription drug expenditure and use 58  Table 6: The most frequent ACGs ................................................................................................. 60  Table 7: The ACGs with the highest mean expenditures .............................................................. 61  Table 8. Comparison of C‐statistics from logistic models explaining the variation in use of  prescription drugs and use of medicines from 4+ therapeutic categories ................................... 63  Table 9: Squared correlation between the observed and the model predicted values from the  GLM models .................................................................................................................................. 64  Table 10: Mean predictive ratios for year 2005 prescription drug expenditures across medical  condition and cost‐defined groups ............................................................................................... 66  Table 11. Distribution of variables in the AMI study population ................................................. 77  Table 12. MEN: Regression results for initiation on ACE‐inhibitors, beta‐blockers, and statins in  the 120 days post AMI by income quintile ................................................................................... 79  Table 13. WOMEN: Regression results for initiation on ACE‐inhibitors, beta‐blockers, and statins  in the 120 days post AMI by income quintile ............................................................................... 80  Table 14. Regression results examining use of any of the three recommended medicines to test  whether the relationship changed after the policy change ......................................................... 81  Table 15: Distribution of study variables among AMI patients who used medicines in the 120  days post‐discharge by income quintile ....................................................................................... 92  Table 16: Mean days of therapy on evidence‐based therapies in the 120 days post‐discharge  among users of each medicine by income quintile ...................................................................... 94  Table 17: Mean number of prescriptions for evidence‐based therapies in the 120 days post‐ discharge among users of each medicine by income quintile ...................................................... 95  Table 18: Mean pharmacist dispensing fees for evidence‐based therapies in the 120 days post‐ discharge among users of each medicine by income quintile ...................................................... 96  Table 19: Inequality and income‐related inequity in days of use of each medicine and all three  medicines in the 120 days post‐discharge among users of each medicine ................................. 98        xi    Table 20: Senior households: Decomposition of the total redistributive effect of prescription  drug financing, 2001 and 2004 ................................................................................................... 121  Table 21: Non‐senior households: Decomposition of the total redistributive effect of  prescription drug financing, 2001 and 2004 ............................................................................... 123  Table 22: Results of the sensitivity analyses and policy simulations .......................................... 125          xii    List of figures   Figure 1. Pharmaceutical policies in BC between 2001 and 2004……………………………………………… 6  Figure 2. Study population description…………………………………………………………………………………….73  Figure 3. Crude rates of initiation on ACE‐inhibitors, beta‐blockers, statins, and all three of those  medicines in the 120 days post‐discharge from hospital for first AMI for men(A) and  women(B)………………………………………………………………………………………………………………………………. 78  Figure 4. Example of a concentrative curve of medicine use………………………………………….………. 89  Figure  5.Vertical  equity: Mean  payments  for  prescription  drugs  (by  source  of  payment)  by  senior households ranked by increasing income, 2001 and 2004…………………………………………. 116  Figure 6. Horizontal equity: Mean payments  for prescription drugs  (by source of payment) by  seniors households with incomes between $30,000 and $35,000(A) and $50,000 and $55,000(B)  ranked by increasing total drug costs………………………………………………………………………………….  118          xiii     Acknowledgements  First and foremost, I would like to thank my supervisor Dr. Steve Morgan. Without Steve’s  dedicated mentoring, wisdom, guidance, and unwavering belief in my abilities, this thesis would  not have been possible. I am sincerely grateful to Steve for suggesting that I apply to the PhD  program, for the final edits he provided on this thesis, and for the million other things that  came in between. I would also like to thank my thesis committee members, Dr. Rob Reid and  Dr. Morris Barer for your invaluable input and assistance. Your thoughtful guidance, support,  and most of all, your precious time has meant so much to me.   I would like to thank my colleagues at CHSPR who have been behind‐the‐scenes  participants in this work. Specifically, Dr. Mike Law was always available and willing to discuss  methods and provide advice. Devon Greyson provided help with literature searching and any  random referencing question that I could come up with. Colleen Cunningham was always  willing to talk with me about the economic analyses in this thesis, and she provided  considerable help with the Microsoft word formatting. I would like to thank Dr. Charlyn Black  for her extremely helpful comments on my thesis proposal. I would like to thank Lixiang Yan for  all of his help building the data for the cohorts I analyzed in this thesis. Finally, I would like to  thank the entire CHSPR pharmaceutical policy research group for their support, their comments        xiv    on early drafts of some of the chapters in this thesis, and for being the best group of people I  could imagine spending all of my weekdays with.  I must also extend my gratitude to those who have financially supported me and this  research. The Canadian Institutes for Health Research, the Michael Smith Foundation for Health  Research, and the Western Regional Training Centre.  Last but not least, I would like to thank my family and friends for their love and support. To  my devoted parents who have always believed I could do anything, and my siblings who were  always willing to let me off the hook when I had to make this thesis a priority, thank‐you for all  of your love and support. To my friends who always feigned interest in what I was spending so  much time doing, thank‐you for always being around to have some fun with. To Kevin, you are  the most supportive partner I could ever imagine. Thank‐you for never complaining, even when  you had every right to. Thank‐you for talking me through the tough times, for keeping me on  track when my motivation wavered, and most of all, thank‐you for being the biggest champion  of everything I do.           1      1 Introduction   1.1 Preamble  The Canada Health Act ensures that all Canadians have free access to a comprehensive set  of physician and hospital services largely through the federal‐provincial cost‐sharing  mechanisms established within the Act. As a result, there is very little variability in this care  across Canada’s ten provinces and three territories.(1) However, prescription drugs consumed  outside of hospital fall outside of the Canada Health Act and are not covered by any legislation  that would ensure national standards for comprehensiveness and accessibility. Instead,  provinces have independently developed their public (government) prescription drug insurance  programs (herein referred to as pharmacare) resulting in a patchwork of pharmacare programs  across the country offering differing levels of coverage to differing subgroups of the  population—a system which contrasts starkly with the universality and comparability of public  insurance for physicians and hospital care.(2)   While many Canadians are covered for prescription drug costs by private plans, due to the  difficulty in obtaining reliable data on these private plans, exact numbers of Canadians who are  privately insured do not exist. Currently, the best available estimates suggest that        2    approximately 60% of Canadians have some form of private drug insurance, and these numbers  vary from a low of 47.3% of the population in Newfoundland to a high of 63.7% in Alberta.(3)  While this variability in prescription drug coverage in Canada is not new, the increasing  importance of prescription drugs as a component of healthcare has brought prescription drug  coverage concerns to the forefront of Canadian health policy. Both use of and expenditures on  medicines are growing. The number of prescriptions dispensed to Canadians in retail  pharmacies grew by 65% between 1994 and 2004, and estimates indicate that 60% of general  practitioner visits in the year 2004 resulted in a prescription.(4) Total drug expenditures were  forecasted to reach $30.0 billion in 2009, representing 16.4% of total health expenditures. This  is an increase from 9.5% of total health expenditure in 1985. Since 1997, drugs have accounted  for the second‐largest share of total health expenditures, surpassing physician expenditures,  but not hospitals.(5)  Recognizing the growing importance of prescription drugs in health care, the B.C.  government instituted a new public drug coverage program entitled “Fair Pharmacare” in May  2003. Policy makers responsible for the conception and institution of the new pharmacare  policy stated two problems that required remedy through policy change.(6) The first problem,  which the policy makers identified as being of highest importance, concerned financial  pressures. British Columbia was experiencing substantial growth in prescription drug  spending—spending was increasing by almost 14% per year in the 1990s.(6) The public        3    spending on prescription drugs is also entirely a provincial liability, as the federal government  does not support outpatient prescription drug costs through cost‐sharing arrangements such as  the Canada Health and Social transfer.   The second motivation for the policy change was the perception that the age‐based  entitlement of the old program was inequitable. It was argued that wealthy seniors were using  resources that ought to be diverted to individuals who might not otherwise be able to afford  their medicines, such as moderate to low‐income non‐senior families. Thus, the two policy  objectives regularly reported by policy makers responsible for the new program, were to  reduce spending on B.C. pharmacare while improving the financial equity of the program.  Improving fairness was to be achieved by implementing an income‐based program in which  payments and subsidies for pharmaceuticals were based on household income rather than  age.(6)   1.2 B.C. pharmacare policy changes   Prior to January 2002, B.C. pharmacare offered relatively comprehensive coverage for  prescription medicines to social assistance recipients and seniors (age ≥ 65). Social assistance  recipients were covered for 100% of the cost of their medicines (as long as they were listed on  the BC formulary), including pharmacist‐dispensing fees. Seniors received 100% ingredient cost  coverage for their prescription drugs (again medicines that were on the formulary) but were  required to pay out‐of‐pocket for the pharmacist dispensing fees up to an annual maximum of        4    $200. Low‐income non‐seniors who were not on social assistance received 100% coverage of  their prescriptions after they had paid $1,000 privately, while other non‐seniors received 70%  coverage after they had paid $1,000 privately and 100% coverage after they had paid $4,333  privately. Thus in 2001, B.C. was financing prescription medicines through a mix of public and  private sources with 47% of the costs being paid through the provincial government  pharmacare program, 5% through federal drug benefit programs, 1% through the Workers’  compensation board for work‐related illness and injury and the remaining 47% through private  sources (both out‐of‐pocket payments and private insurance plans).(7)   In an effort to reduce provincial prescription drug expenditures, in January 2002 the B.C.  government introduced a copayment on prescription drug purchases by seniors. Low‐income  seniors were required to pay a $10 copayment per prescription up to an annual maximum  private payment limit of $200, while other seniors faced a $25 copayment and an annual  maximum private payment limit of $275. Finally in May 2003, “Fair Pharmacare” was  introduced. Fair Pharmacare is an income‐based pharmacare program that distinguishes three  sets of beneficiaries: 1) recipients of social assistance, 2) residents born on or after January 1,  1940 (who had never received comprehensive seniors’ pharmacare coverage) and, 3) residents  born on or before December 31st 1939, who had previously received comprehensive seniors’  pharmacare coverage and were thus offered a more generous benefit structure under Fair  Pharmacare than those born after Jan 1st 1940 (these residents will permanently receive the        5    more generous plan). The details of this pharmacare program are outlined in Figure 1. Under  the Fair PharmaCare program, deductibles (the amount the patient or family must pay before  costs begin being partially covered by the provincial government), coinsurance rates (the  patient pays a set percentage of the price of the prescription rather than a fixed fee) and  maximum private payment limits (the total yearly amount the patient pays privately before  prescription drug costs are 100% covered by the provincial government) are all set according to  household income. By 2004 (the first full year of income‐based pharmacare in B.C.) the public‐ private mix of prescription drug financing had changed with 39% of the costs being paid  through the provincial drug benefit program, 5% through federal drug benefit programs, 1%  through the Workers’ compensation board for work‐related illness and injury and the  remaining 55% were paid through private sources (both out‐of‐pocket payments and private  insurance).(5)                6    Figure 1: Pharmacare policies in B.C. between 2001 and 2004          7    To better illustrate the financial repercussions of the policy changes for B.C. residents,  Table 1 illustrates the maximum amount that would be paid privately, either out‐of‐pocket or  through private insurance, for residents of different household incomes. Table 1 illustrates that  the maximum private payment for non‐seniors was $2,000 annually for those not considered  low‐income prior to the introduction of Fair Pharmacare. For seniors, private payments were  dependent on the number of prescriptions they filled in 2001 and in 2002. In 2001, seniors paid  only pharmacist dispensing fees up to an annual maximum of $200. Following the introduction  of the 2002 copayments for seniors, low‐income seniors who filled more than 20 prescriptions  annually would have reached the $200 ceiling, and other seniors would have reached the $275  ceiling after paying the $25 copayment on 11 prescriptions. As our data indicate that the  average senior filled 17 prescriptions in 2002, the average low‐income senior would have spent  $170 privately while the average mid‐ to high‐income senior would have reached the $275  ceiling.   Following the introduction of Fair Pharmacare, maximum private payment amounts  changed significantly for both groups of recipients. Residents born after January 1st 1940 faced  significantly lower maximum private payments in all groups with household incomes below  $50,000. Residents born before December 31st 1939 with incomes of $14,000 or lower faced  slightly lower maximum private payments at $175 instead of $200 in 2002, but all other senior  groups faced higher maximum private payments than in 2002 and higher maximum private        8    payments than they faced in 2001 when they were responsible for pharmacist dispensing fees  only. As a result of these changes, policy makers anticipated (under the assumption that  patients are sensitive to price) that low‐income non‐seniors (born after 1940) would increase  their medicine use and thus their access to medicines would be improved.(6)  Table 1: Maximum amount paid privately (including pharmacist dispensing fees) in 2001,  2002 and 2004 in B.C.  Household income  2001 Max private  payments  2002 Max private  payments  Max private payments  after May 1st, 2003  Non‐seniors:  Residents born after Jan 1st 1940 (not on social assistance)  $14,000  $1000.00  $1000.00  $280.00   $25,000  $2000.00  $2000.00  $900.00  $35,000  $2000.00  $2000.00  $1050.00  $50,000  $2000.00  $2000.00  $2000.00          Seniors:  Residents born in 1939 or earlier (not on social assistance)  $14,000  $200.00 maximum of  pharmacist dispensing  fees  $200.00  $175.00   $25,000  $200.00 maximum of  pharmacist dispensing  fees  $275.00  $312.50  $35,000  $200.00 maximum of  pharmacist dispensing  fees  $275.00  $700.00  $50,000  $200.00 maximum of  pharmacist dispensing  fees  $275.00  $1500.00          9    1.3 What is already known about the move to income­based pharmacare?  There have been a number of research studies done to date examining the impacts of the  move to income‐based pharmacare in B.C. Some of the, now published, evidence on income‐ based pharmacare is research that comprises the chapters of this thesis which were published  during the course of my degree. In this section I review the literature that existed prior to  beginning my thesis research as the existing research provided the impetus for the research  questions in this thesis. This research examined the implications of the policy on overall  prescription drug costs, access to medicines, and the distribution of financial burden (as the  policy significantly changed how prescription drugs were financed in B.C.).   1.3.1 Impact on access  The majority of the research examining the impact of the policy change has looked at  use of particular classes of medications among seniors before and after the policy change  examining rates of stopping and starting medication use. Dormuth et al. examined the impact  of the introduction of the copayment policy in 2002 and income‐based pharmacare in 2003 on  the use of inhaled medications in patients over the age of 65 with chronic obstructive  pulmonary disease (COPD) or asthma.(8) They found that use of inhaled steroids, inhaled  anticholinergics and inhaled β2‐antagonists declined significantly following the end of the full  coverage period. Patients who were newly diagnosed with either COPD or asthma were found  to be 25% less likely to initiate treatment with an inhaled steroid when they had to contribute        10    more out‐of‐pocket under income‐based pharmacare. They also found that chronic users of  inhaled steroids were more likely to cease treatment under income‐based pharmacare than  under the previous full coverage program.(8)   The effect of the policy on the use of antidepressants among British Columbian seniors  was also assessed. Wang et al. examined monthly dispensing of antidepressants among those  aged 65 or older between 1997 and 2005.(9) They found that the move to income‐based  pharmacare decreased the rate of growth in dispensing antidepressants (although it did not  significantly change the level of dispensing). While the policy did not increase the rate of  stopping antidepressants, it slightly decreased the rate of growth in initiating on  antidepressants among B.C. seniors.(9)    Schneeweiss et al. examined adherence to statin (10) and beta‐blocker therapy (11) in  patients aged 66 and older with and without acute myocardial infarction before and after the  policy change in B.C. They reported that the proportion of new initiations on beta‐blocker  therapy after acute MI remained constant following the policy change,(11) while initiations on  statin therapy increased slightly over time.(10) However, they did report lower adherence to  both beta‐blocker and statin therapy under income‐based pharmacare as compared to the full  coverage policy. Caetano et al also reported similar results.(12) They examined incident use of  antihypertensives and statins following the move to income‐based pharmacare among the  entire B.C. population and found no significant differences in initiation rates following the move        11    to income‐based pharmacare. They stratified the population by age and income and were still  unable to detect any significant differences in initiation rates on antihypertensives or statins  after the move to income‐based pharmacare.(12) Similarly, the 2003 policy did not change the  rate of apparent discontinuations of therapy across age and income groups. However, Caetano  et al. did report a statistically significant, though small, increase in the number of seniors who  appear to have discontinued therapy just prior to the introduction of the 2002 copayment  policy.(12)  1.3.2 Impact on costs  Several authors also examined the respective cost implications of the move to income‐ based pharmacare in B.C.(13‐15) Investigators examined the effects of the policy change on  prescription drug expenditures, as well as the increases in overall health expenditures that  might result if patient stop their medicines or do not initiate on them because of the policy.  After finding that senior users of inhalers had decreased their use following the move to  income‐based pharmacare, Dormuth et al. examined whether this decreased medicine use had  resulted in increased emergency hospitalizations or physician visits due to COPD, asthma or  emphysema. They reported that, during the income‐based pharmacare period, emergency  hospitalizations increased significantly. Physician visits also increased by a small but significant  amount.(14) Given that emergency hospitalizations are the most expensive form of healthcare,  Dormuth et al. followed up this work by examining whether the increase in prescription drug        12    cost‐sharing following the two policy changes increased overall health plan spending for the  British Columbia Ministry of Health Services.(13) After estimating the costs associated with  excess physician visits and emergency hospitalizations based on the finding of the study  previously described (14), they reported that net health plan spending increased by $5.76  million per year during the first 10 months of the income‐based pharmacare program (13).  Despite the fact that both policy changes were associated with reduced Ministry of Health  Services spending on inhaled steroids, these savings were offset by the increased spending on  emergency hospitalizations and physician visits.(13)  Despite finding very little change in use of antidepressants following both policy  changes, Wang et al. also examined the impact of cost sharing on service use and adverse  clinical outcomes in senior patients receiving antidepressants.(15) Not surprisingly, they found  no significant changes in the rates of visits to physicians for depression, visits to psychiatrists for  depression, hospitalizations with a diagnosis of depression, or long‐term care admissions.   Finally, using index theory methods Morgan et al. completed a thorough examination of  the changes in prescription drug expenditures, specific utilizations patterns, and pricing  dynamics that might have contributed to changes in overall prescription drug expenditures  following the policy change.(16) Even when stratifying the population by age and income, they  found that the changes in the pharmacare program appeared to have no major effects on  aggregate prescription drug expenditure trends in British Columbia (they did not examine other        13    forms of health care). They report that the B.C. Ministry of Health Services was successful in  reducing the public share of drug expenditures after the policy change, but the most significant  change in expenditure dynamics resulted from a change in the seasonal stockpiling of  medicines by seniors.   1.3.3 Impact on the distribution of financial burden  The B.C. Ministry of Health Services reduced the public share of drug expenditure when  implementing income‐based pharmacare, but overall expenditure trends did not change  significantly, suggesting that the largest financial impact of the policy change was shifting the  financial burden from public to private payments. Dormuth et al. reported that out‐of‐pocket  spending by older patients using inhaled medications increased by 30% during the 2002  copayment period and 59% during the income‐based pharmacare period,(13) thus shifting the  burden of paying for inhaled medicines onto senior patients. Hanley et al. examined the overall  effects of the move to income‐based pharmacare and found that seniors above the 60th income  percentile saw a significant loss in the percentage of their drug costs that were publicly  financed while low‐income seniors and non‐seniors saw no significant increase in the  percentage of their drug costs that were publicly financed.(17) Since total drug spending  increased while the total public subsidy decreased, the average private household spending as  a proportion of household income increased across virtually all age and income levels.(17)          14    A more detailed examination of the progressivity of the policy change (progressivity  being defined as the extent to which higher‐income households contribute a larger share of  their total income to prescription drug financing than lower‐income households) revealed that  income‐based pharmacare was more progressive than the full coverage program for seniors in  2001.(18) However, the changes in progressivity were largely a result of the subsidy that was  removed from high‐income seniors rather than an increase in subsidy provided to lower income  residents, suggesting that access to prescription medicines was unlikely to have improved for  lower income residents while barriers to access may have been introduced for low‐middle and  middle income residents.   1.4 Unanswered questions about equity  In summary, the research to date suggests that the income‐based program did not have a  dramatic impact on aggregate patterns and trends in drug expenditure and utilization, (12,16)  despite some, often small, detected changes in use of specific medications among senior  patients. (8,10,11) The most obvious and substantial impact of the move to income‐based  pharmacare was the large shift in financial burdens from public to private financing  sources.(13,17‐19) An increasing reliance on private sources of financing, and the income‐based  nature of the policy, raise questions about the potentially changing role of income in  determining access to essential medicines. As a result, the most important unanswered  questions about the policy change relate to equity, both in terms of access to medicines and        15    prescription drug financing. Thus, my first thesis objective was to determine the degree of  income‐related inequity in use of and spending on evidence‐based medicines before and after  the introduction of income‐based pharmacare in the population of individuals who suffered  their first acute myocardial infarction.  However, in order to determine income‐related inequity  in use and spending on medicines, I needed to adequately measure differences in need for  prescription drugs. Thus, my second thesis objective was to validate the use of Johns Hopkins  case‐mix adjusters in prescription drug research to determine whether they could be used to  accurately predict drug expenditures and use. Finally, my third objective was to determine the  redistributive effect of the move to income‐based pharmacare on the overall distribution of  income in B.C. Below I outline each research objective in detail, provide definitions of equity  and other relevant terminology, and provide a brief review of the literature relevant to each  objective.   1.5 Research objective 1: Income­related inequity in use of medicines among  first­time AMI patients in B.C.  According to the policy makers responsible for the Fair PharmaCare program, a main  goal of the pharmacare policy change was to shift the subsidy from high‐income seniors to  those with lower‐incomes who may have suffered from financial access barriers under the  previous program.(6) While, as outlined above, analyses of the policy change done thus far  have not found many significant changes in use of prescription drugs that can be attributed to        16    the policy,(9‐12) none of the research done to date has examined how the policy change might  have affected income‐related inequity in access to medicines. Thus my first objective was to do  just that in a population of individuals who had suffered their first myocardial infarction.  However, evaluating equity in the use of medicines required a definition of what constitutes  equity in health care as well as an operational definition of what constitutes empirical evidence  of a violation of equity.  Fortunately, there appears to be a clear and relatively consistent definition of equity in  access to health care in Canada and throughout many European countries. Following a  thorough review of historical documents relating to health care in Canada and British Columbia,  McGrail reported that an equitable distribution of health care was believed to be one in which  health care is distributed according to need and financed according to ability‐to‐pay.(20) These  equity principles were directly articulated by the Canadian public and reported in both the  Romanow Commission on the Future of Health Care in Canada(21) and the Kirby Senate  Standing Committee on Science and Technology.(22)   Similar principles were also consistently reported by policy‐makers across European  countries, suggesting that even when there are differences in how countries finance and deliver  health care, there is still significant acceptance of the same notion of equity—namely that  health care ought to be distributed according to need and financed according to ability‐to‐ pay.(23,24) Policy makers responsible for the Fair Pharmacare policy in B.C. articulated these        17    same principles of equity when they indicated that the new program would improve fairness by  more closely linking payments for prescription drugs to household income, thus improving  access for those who needed medicines but had previously been unable to afford them.(6)   Thus, I used the definition that equitable health care be distributed according to need  and financed according to ability‐to‐pay. I will have found empirical evidence of inequity when  inequality in the use of medicines across the income distribution persists even after legitimate  or need‐determined inequality has been taken into account. Thus, the premise is that  individuals in equal need for prescription drug treatment should be treated equally, irrespective  of their income, and that violations of this principle constitute empirical evidence of inequity. In  order to empirically assess equity it was important that I measured differences in need for  prescription drugs accurately (which was the premise behind my second thesis objective), and  that I measured equity in a group of individuals with as similar a level of need for a given set of  medicines as possible.   As a result, examining income‐related inequity among AMI patients was ideal because  these patients all have the same general need for pharmaceuticals. Conventional treatment  guidelines are clear that all of these individuals should have been using very similar levels of  cardiovascular medicines (once those with important contraindications to medicines have been  removed).(25) Finally, using this subgroup also allowed for a comparison of medicines that are  known to be safe and effective in reducing the risk of death and reinfarction.(26‐28)         18    1.5.1 The evidence on cost­sharing and access to medicines  I reviewed the evidence specific to B.C.’s income‐based pharmacare program in section  1.3. Thus, this section reviews the evidence on similar cost‐sharing structures. The 2003 B.C.  policy change introduced a policy that consisted of coinsurance up to a maximum private  payment limit, and the levels of both the coinsurance and the maximum private payment limit  were based on household income, thus making the policy “income‐based pharmacare”. A high  quality Cochrane systematic review on prescription drug cost‐sharing policies, including  coinsurance and maximum private payment limits, was completed and published in 2008.(29)  This review had solid inclusion criteria and incorporated what I felt were the highest quality  studies on these subjects, so rather than conducting a separate review, I have loosely based my  literature review around this systematic review focusing on the studies I felt were most  relevant and of highest quality.   The most well known study of coinsurance with a maximum private payment limit is the  RAND health insurance experiment, which was a randomized controlled trial of the effects of  different levels of cost‐sharing on health and health care use, including pharmaceuticals.(30)  The study used participants from six areas of the United States that were randomized into four  separate groups with differing levels of health insurance.  Three of these groups had the same  USD 1000 maximum private payment limit but were randomized to coinsurance rates of 95%,  50% or 25%. As a result, each of these different groups would reach their maximum after very        19    different levels of health care and prescription drug use.  The fourth group faced a 95%  coinsurance rate up to a maximum private payment limit of USD 150 per person or USD 450 per  family. All four of these groups were compared to the control group with 100% coverage for all  medical and prescription drug costs.(30)   Newhouse et al. found that among the groups with the USD 1000 ceiling, the group with  95% coinsurance used 33.6% fewer prescription drugs than the full coverage control group.(30)  This translated to a 37.6% decrease in expenditures on prescription medicines. The 50%  coinsurance group (also with USD 1000 maximum private payment limit) reduced their  prescription drug use by 23.2% and reduced their expenditures by 33.6%. The 25% coinsurance  group (again with USD 1000 maximum private payment limit) reduced prescription drug use by  18.4% and expenditure by 8.3% as compared to the control group. Finally the fourth group,  which faced 95% coinsurance with a maximum private payment limit of USD 150 per person or  USD 450 per family reduced prescription drug use by 18.6% and prescription drug expenditure  by 16.3% as compared to control.(30)    However, it is important to note several cautions regarding the RAND experiment. First,  the experiment included other services and not only prescription drugs, thus the patient had to  pay both to visit the physician to receive their prescription and for the cost of the medicine  itself. This is likely to induce a greater response than coinsurance on prescription drugs alone.  Another limitation of the RAND experiment is that a large number of the patients who were        20    initially randomized to the cost‐sharing arm of the experiment dropped out, suggesting that  there may have been internal validity issues, as individuals who knew they were likely to face  high personal health costs in the cost‐sharing arms may have been more likely to drop out.  There is also some concern regarding the generalizability of the RAND experiment as the data  are based on a single, relatively small but well‐managed Health Maintenance Organization  (HMO) in Washington, so the results may not generalize to a Canadian province.   There are some high quality Canadian studies of the effects of the introduction of an  income‐based coinsurance policy with a maximum private payment limit in Quebec in the late  1990s. Prior to this plan, Quebec seniors (≥65 years of age) paid a fixed copayment of $2 per  prescription. In 1996 a new income‐based plan was implemented where Quebec seniors had a  coinsurance rate of 25% up to a maximum private payment limit of $200 to $925 dependent on  their income.(31) Blais et al. examined the implications of this policy change on drug use among  a random sample of Quebec seniors who used at least one of the following drug groups:  nitrates, antihypertensives, anticoagulants, and benzodiazepines. Benzodiazepines were  included as they represented non‐essential medicine use. After examining whether the policy  change resulted in a significant change in the use of any of these medicines, they reported a  non‐statistically significant decrease in the number of prescriptions of 5.1% for nitrates, 1.1%  for antihypertensive agents, and 0.8% for benzodiazepines, and a non‐significant increase of  1.6% for anticoagulants. They ultimately concluded that Quebec seniors did not change their        21    consumption of these medicines following the implementation of a coinsurance policy with a  maximum private payment limit.(31)   Blais et al. repeated a similar study among social assistance recipients in Quebec (aged  ≤64) who were users of any of the following groups of medicines: inhaled corticosteroids,  neuroleptics, and anticonvulsants.(32) This group faced a change from full coverage to a 25%  coinsurance rate up to a $200 maximum private payment limit. Using similar time series  methods to those used in their studies of senior medicine users, they found that the overall use  of inhaled corticosteroids, neuroleptics and anticonvulsants decreased by 37%, 9% and 10%  respectively over the 11 months following the introduction of the new income‐based  coinsurance plan with a ceiling. However, the only statistically significant decrease was for  inhaled corticosteroids.(32)   Finally, another study examined the effect of the same policy change on both elderly  persons and social assistance recipients in Quebec.(33) Tamblyn et al. examined the impact of  the policy on both essential and less essential drug use, and also on rates of emergency  department visits and serious adverse events associated with reductions in drug use. They  found a decrease in the use of essential drugs of 9.1% in elderly persons and 14.4% in social  assistance recipients, while use of less essential drugs decreased by 15.1% and 22.4%  respectively. They also reported an increase in the rate of serious adverse events and  emergency department visits primarily associated with reductions in essential drug use for both        22    groups, suggesting that the implementation of the cost‐sharing policy had significant and  negative impacts on the health of both the senior and the very low‐income populations of  Quebec.(33)   In summary, the literature on coinsurance with a maximum private payment limit  suggests that the policy reduces overall drug use and drug expenditures. However, the  Canadian work suggests that it can reduce both essential and less‐essential drug use and that  low‐income patients can exhibit very large reductions in drug use even when they are faced  with a less intensive copayment.(31‐33) While the above studies examine the effect on low‐ income groups and seniors, there is no single study that examines whether there is an income  gradient in the effect of such policies. Thus, how different income groups might respond to  such a policy remains an open question.  1.6 Research objective 2: Validation of Johns Hopkins case­mix adjusters as  predictive in prescription drug research  In order to determine whether different income groups respond differently to income‐ based pharmacare, and ultimately to answer my research question regarding income‐related  inequity in use of medicines following AMI, I needed to adequately measure differences in need  for prescription drugs. Thus, my second thesis objective was to validate the use of Johns  Hopkins case‐mix adjusters in prescription drug research to determine whether they could be  used to accurately predict drug expenditures and use. Since my thesis drew entirely on        23    administrative data, I wanted to examine whether administrative‐data based case‐mix  adjustment tools could be used in pharmaceutical research. I chose to examine the Johns  Hopkins case‐mix adjusters because these tools were designed to use the medical diagnoses  that are routinely collected in administrative records, and they have been extensively validated  for predicting ambulatory care use in Canadian populations, including in B.C.(34,35)   While the Johns Hopkins ACG system has been shown to be predictive of hospital and  physician resource use,(36,37) It was not clear that these measures would perform equally well  in accounting for, or predicting, prescription drug expenditures. Given this uncertainty, I aimed  to determine the extent to which the adjusted clinical groups (ACG) system could explain and  predict prescription drug expenditure to understand whether these measures can be applied as  indicators of need in prescription drug research.   1.6.1 Adjusted clinical groups as predictive of health care use   There is considerable literature suggesting that diagnostic codes can be used to describe  populations and predict health care costs.(38‐45)The ACG system uses these diagnostic codes,  specifically International Classification of Disease codes (ICD‐9 or ICD‐10) collected in  administrative encounter records to develop a composite measure of patient illness burden,  estimated from the mix of conditions experienced over a defined time interval.(35) The  International Classification of Disease codes is a coding of disease and signs, symptoms,  abnormal findings, complaints, social circumstances and external causes of injury and        24    diseases.(46) The ACG system was originally derived from some work examining the  relationship between morbidity and the use of services among children who were enrolled in a  specific American HMO. When the researchers found the categorization helpful in determining  which children were more likely to be persistent high users of health services, it was expanded  to include both adults and children, and to an eventual 34 groups into which diagnoses could be  categorized. These became known as ADGs (ambulatory diagnostic groups).   The primary conceptual basis of this categorization, developed by a group of primary  care physicians in regular consultation with medical specialists, was the expected persistence or  recurrence of the condition over time. This expected persistence and recurrence was  considered along with four other factors: 1) the likelihood that the patient would have a return  visit for the condition; 2) the likelihood of a specialty consultation or referral; 3) the expected  need and cost of diagnostic and therapeutic procedures associated with the condition; and, 4)  the likelihood of an associated hospitalization, disability or decreased life expectancy. A version  of the ADGs was then combined with age and sex to create the final scheme of ACGs, which  originally consisted of 51 mutually exclusive groupings of diagnostic categories.(34) The number  of possible mutually exclusive grouping of ACGs has increased in recent years and depends both  on the version of the Johns Hopkins ACG case mix software and the particular study population.   Since their creation, the ACG case‐mix adjusters have been validated for use in many  populations. The system was originally developed for and tested using computerized encounter        25    and claims data from more than 160,000 enrollees at four large HMOs along with a state’s  Medicaid program. In this population it was shown to explain more than 50% of the variance in  ambulatory resource use when used retrospectively and more than 20% when used  prospectively.(35) This reflected a significant improvement over the approximately 6% of  variation that could be explained by age and sex alone.   The ACG case‐mix adjusters have been found to predict the cost of health services as  well as or better than other case‐mix tools in many health systems.(47) They have been  validated for use in managed care populations (48), a population of individuals with spinal cord  dysfunction,(49) and the American Veterans Affairs Beneficiaries.(50) When tested in a sample  of over a million veterans, the ACG system was found to explain approximately 35% of the  variance in ambulatory provider encounters and 23% of the variance in service days.(50) They  have also been validated for use in other countries. In Spain, despite the absence of  administrative databases, computerized clinical records were coded to ICD‐9 diagnoses and the  ACG system applied in a sample of primary care patients. Researchers found that the system  was able to explain more than 50% of the variance in visits, 25‐30% of referrals and requests for  laboratory tests and 14‐16% of radiographs.(51‐53) The system has also been used in  Swedish,(54‐56) Australian, and New Zealand populations.(57) Finally in Canadian populations,  including British Columbia, ACGs have been shown to explain approximately 50% and 20% of  concurrent and prospective variation in ambulatory resource use, respectively.(36,37)        26    However, very little research has been done to determine whether ACGs perform well in  predicting prescription drug expenditures. Given that a third of the population does not use  medicines in any given year, and the potential for a high level of variation in costs of  prescription drugs among individuals treating the same underlying health conditions,(58,59)   one cannot assume that the ACG case mix system will explain prescription drug expenditures as  well as it explains ambulatory health services.   In general, literature addressing the predictability of drug spending is sparse. While  there has been considerable study of systems that use prescription drug records to predict and  explain overall health and health care costs,(47,60‐64) using health care data to predict and  explain prescription drug costs has not been as well studied. There has been some research  done on measures that can be used to predict prescription drug expenditure patterns,(65‐68)  and these studies have found that demographics alone have very low predictive power. Adding  health status information through the use of several case‐mix adjustment tools, including the  diagnosis cost group/hierarchical conditions categories (DCG/HCC)(67) and the clinical risk  groups (CRGs),(65) have been shown to substantially improve prediction—sometimes more  than doubling the predictive power compared to using age and sex alone as independent  variables.   With respect to the ACG case mix system, researchers examining a sample of primary  care clinics in Spain have reported that the ACG case mix system performs reasonably well        27    explaining approximately 20% of the variation in prescription drug expenditures.(53,69) In  Sweden the ACG case‐mix system was shown to explain a large part of the variance in regular  use of 4 or more prescription medicines among an elderly sample of primary care patients.(56)  However, the ACG case mix system has never been validated for prescription drug research in  an entire population, using existing administrative datasets comprised of routinely collected  diagnostic information.   These previous analyses have generally also used linear regression to explain and  predict prescription drug and health care expenditures, reporting R2 statistics as a measure of  the predictive power of the models.(53,65,67‐69) However, healthcare cost data are rarely  normally distributed— the data are often left censored (total expenditure for many individuals  is zero), and have a long right skewed tail caused by the small number of very high cost  users.(70) I found no previous work that attempted alternative modeling techniques to address  this issue. Thus, I felt there was a need to validate the ACG case‐mix system’s ability to predict  and explain prescription drug use and expenditure in an entire population of a Canadian  province, using generalized linear models to account for the non‐normal distribution of the  data.(70)        28    1.7 Research objective 3: The redistributive effect of the policy change on  overall income distribution in the province  Finally, my third thesis objective was to determine the redistributive effect of the move to  income‐based pharmacare on the overall distribution of income in B.C. Policy changes that  substantially alter the way health care is financed, such as the introduction of income‐based  pharmacare, can and often do, affect more than just use of health care. Payments towards  health care often play an important role in redistributing income in a population.(71,72) There  are two considerations when examining equity in the financing of health care systems. The first  is vertical equity, which generally refers to the requirement that households of unequal ability‐ to‐pay make appropriately different financial contributions to the health care system. The  second is horizontal equity, which refers to the requirement that households of equal ability‐to‐ pay be treated equally when contributing to finance health care. When considering vertical  equity, further considerations have to be given to what would constitute appropriately  different financial contributions. There does seem to be a belief in Canada, as gleaned from the  Romanow and Kirby reports referenced, that those with greater ability‐to‐pay should be  contributing more proportionally to health care financing.(21,22) When those of higher  incomes contribute a larger proportion of their income to health care financing, this is  considered a progressive financing system. If all individuals or households contribute equal  proportions, then the system is considered proportional, and finally when those of higher        29    income contribute a smaller proportion than low‐income individuals, the financing system  would be considered regressive. When measuring equity in health care financing and  considering the overall redistributive effect of a health care financing system, both vertical  equity and horizontal equity need to be taken into account.(72)    While vertical equity has received some attention, in the form of progressivity analyses  before and after the introduction of income‐based pharmacare,(17,18) horizontal equity has  not. This is an important omission. If there is a significant level of horizontal inequity involved in  pharmacare financing, the progressivity analysis that has already been done could have given a  misleading impression about the overall income redistribution associated with the change in  method of financing prescription drugs in B.C. The introduction of more horizontal inequity (in  the form of differential treatment of income equals) will tend to reduce the redistributive effect  of a progressive financing system. This is important to measure in the case of prescription drug  financing, as the high levels of private payment mean that two households with equivalent  incomes could face very different levels of prescription drug financing simply because of  differences in underlying health needs. This would not be true of the almost entirely personal‐ income‐tax financed physician and hospital services.   A pharmacare program that redistributed income in a way that increased overall income  inequality in the province would represent a clear and important departure from what is  considered equitable in Canadian health care.(21,22) Thus I examined the redistributive impact        30    of prescription drug financing before and after the introduction of income‐based pharmacare,  examining both the vertical and horizontal equity of both pharmacare programs and examining  how overall income inequality in B.C. changed as a result of the change in prescription drug  financing.  1.7.1 Equity in health care financing  There is relatively sparse evidence on the redistributive effect of prescription drug  financing. However, there is considerable evidence on the implications of health care financing  policies, which is relevant to prescription drugs. Thus, here I reviewed the literature on the  equity implications of overall health care financing for the considerable insights that it might  provide about the implications of changes to prescription drug financing that resulted from the  move to income‐based pharmacare in B.C.  There are four commonly recognized sources from which countries finance their health  care expenditures. These include general taxation, social insurance contributions, private  insurance premiums, and out‐of‐pocket payments. Canada does not use social insurance  contributions, so I will focus on the other three sources in this review. There is considerable  variation across developed countries in how revenue is raised within each source (e.g. private  insurance takes many different forms) and the relative importance of each source in generating  overall revenues used to finance health care. Within Canada alone, the relative importance of  out‐of‐pocket payments as a source of revenue differs significantly depending on whether we        31    are discussing hospital and physician services or prescription drugs and physiotherapy services  and, for the latter two, whether we are discussing British Columbia or Newfoundland, for  example. Both the way revenue is raised within each source and the relative importance of  each source of revenue has important implications for the overall equity of any health care  financing system.   Previous literature examining different health care financing systems around the world  has given us some good indications of the vertical and horizontal equity implications of the  different financing sources. For example, personal income taxes are generally designed to be  both vertically and horizontally equitable. Households with higher incomes contribute a larger  share of their income to personal income taxes and households with equal incomes contribute  the same share. Thus, countries that finance their health care systems largely through personal  income taxes tend to have reasonably equitable financing systems.(24,73) Consumption taxes  are generally regressive except in countries with higher VAT rates that are levied on luxury  goods. Thus, if a country’s health care system relies heavily on general taxation but that country  has a general taxation system that raises considerable revenue through regressive consumption  taxes, the overall health care financing system is likely to also be regressive.(74) However,  consumption taxes can be progressive in countries where lower income households grow much  of their own food and luxury goods are heavily taxed, as is the case in several Asian  economies.(75,76) In terms of horizontal equity, comparative research examining the overall        32    redistributive effect of taxation suggests that the redistributive effect associated with direct  taxes comes almost entirely from vertical redistribution—meaning that horizontal inequity does  not appear to be very substantial. Not surprisingly, this has been shown for personal income  taxes, but more surprisingly, it has also been shown for indirect taxes.(71)      The financial implications of private health insurance are dependent on what type of  coverage private insurance buys.(75,77) Generally speaking, there are three broad groups of  private insurance. The first is private insurance that buys cover against public sector  copayments, and the financial implications of this form of insurance depends on how widely  held it is, which in turn depends on how large the copayments are. For example, in France,  where copayments are quite high,(78) private insurance is widespread, and thus private  insurance is regressive because individuals are paying similar private insurance premiums  despite their considerably different incomes.(24) In these cases, private insurance would also  have a pro‐rich redistributive effect as lower income households are contributing  proportionately more and thus overall income inequality would increase.(71) Horizontal  inequity is also a problem in cases where private insurance is voluntary, because significant  variation in coverage at each income level generally exists.   The second case is when private insurance is primarily used as supplementary cover to  the insurance that is already provided. In these cases, private insurance usually buys luxuries  that the government does not cover, such as a private room in a hospital. In these cases,        33    private insurance is progressive and decreases overall income inequality because generally only  wealthy individuals hold it, and as a result they are contributing more to overall health care  financing than lower income individuals.(75,79) Finally, in cases where private insurance is  heavily relied upon for coverage, such as in the United States, private insurance is very  regressive and has a pro‐rich redistributive impact. This is because premiums are quite similar  regardless of income; so lower income households end up contributing proportionately more of  their income to obtain health insurance than high‐income households. While the presence of  public insurance programs such as Medicaid and Medicare help to offset some of this  regressivity in the United States, significant regressivity still remains. (24)  There is a general consensus in the literature that out‐of‐pocket payments tend to be a  highly regressive source of health care finance.(75,77,80) While there are ways to mitigate the  regressive nature of out‐of‐pocket payments, it is difficult to make them proportional or even  progressive. Such mitigating factors include gearing out‐of‐pocket payments towards those of  higher incomes.(81) When everyone pays copayments, regardless of income, then out‐of‐ pocket payments are highly regressive, as low‐income households contribute proportionately  more in the form of out‐of‐pocket payments than higher income households.(24) Out‐of‐pocket  payments are also highly horizontally inequitable because they are based entirely on use of the  health care system and not ability‐to‐pay.(72) Because horizontal inequity tends to decrease  any vertical equity that may have been achieved by using mitigating types of out‐of‐pocket        34    payments, the redistributive impact of all types of out‐of‐pocket payments is generally to  increase overall income inequality.  The overall implications of a prescription drug financing system depends on the relative  share of health care spending that is financed through each of these sources outlined above.  Changes in policies that significantly alter the relative share of overall spending that is financed  through each of these sources (e.g. an increased reliance on out‐of‐pocket payments), or how  the contributions are made to each source (e.g. eliminating out‐of‐pocket payments for those  of low incomes and increasing them for those of higher incomes) would significantly change the  overall redistributive implications of a financing system. Given that the move to income‐based  pharmacare in B.C. altered both the relative share of prescription drug spending raised through  each financing source and how the contributions are made to each source, I had good reason to  hypothesize that the policy change would have implications on the income distribution in the  province.    1.8 Summary  This thesis contributes both to methodological issues in health services research and to  applied prescription drug policy research by addressing questions that are relevant to policy  makers, researchers and the general public. The methodological contribution to health services  research is the validation of the use of the Johns Hopkins case‐mix adjusters in predicting  prescription drug use. This work fills a gap in this literature and provides health services        35    researchers, who commonly do prescription drug research using administrative databases, with  important information regarding how best to adjust for differences in underlying health status  and need.   The contributions of this thesis to applied prescription drug policy research stem from  the analysis of income‐related equity in access to medicines following AMI in B.C., and the  implications of the policy change on income‐related equity in access to these medicines, as well  the implications of the policy change on overall income distribution in this province. This thesis  comes at a time when many governments, including Canada’s, are considering changes to their  pharmacare policies, and thus it provides timely and relevant evidence to policy makers as well  as the Canadian public while they are deciding how to implement pharmacare reform.   1.9  Thesis roadmap  The outline of this thesis is as follows: In the second chapter I outlined the data sources  used in this thesis. Because I used similar data in all research chapters of this dissertation, I  chose to outline the data sources in detail in a separate chapter in order to avoid significant  repetition throughout. Each research chapter then refers to the source of data briefly, and  provides necessary information regarding specific variable construction. Chapter 3 reports the  empirical results examining the use of the ACG case‐mix adjusters in predicting prescription  drug use and expenditures. This objective necessarily had to precede my examination of  income‐related inequities in the use of therapy among AMI patients, as I needed to determine        36    whether the ACG case‐mix adjusters were capable of adequately needs adjusting among the  AMI cohort before proceeding with my first objective. The results regarding the income‐related  inequity in initiating treatment with the recommended evidence‐based therapies among AMI  patients are presented in Chapter 4, while Chapter 5 focuses on the income‐related inequities  in days of therapy on these therapies among those who were initiated on treatment. Chapter 6  presents results of the redistributive effects of prescription drug financing on the overall  income distribution in B.C. before and after the move to income‐based pharmacare. Finally,  Chapter 7 provides a summary of the findings, outlines the contributions and the strengths and  limitations of this dissertation, and makes recommendations for policy, practice and future  research in the area.    The reader will encounter some repetition throughout this thesis, as the chapters that  have been published (or are under review) are presented as they were published. However, I  felt this repetition was necessary to help you, the reader, understand the specific datasets used  in each chapter and the motivation for each particular study. The presentation of already  published work also results in the transition between active singular and active plural voice.  While I led all of the research in this thesis, the use of active plural voice in the published work  reflects the contributions of my coauthors in the publications, and the use of active singular  voice will be used in the chapters that are found only in my thesis.          37    2 Data sources  2.1 Outline of data sources and permissions  In order to meet the research objectives outlined for this dissertation, I needed to  construct measures of health status to adjust for differences in need for prescription drugs,  identify specific subgroups of the population, construct measures of household income and  taxes paid, and obtain detailed data on individual and household level prescription drug use  and spending. To do this, I primarily drew on data from three comprehensive, population‐based  health care databases as outlined in Table 2: 1) the administrative population‐based datasets  available from Population data B.C. (henceforth PopData B.C.),(82) which include physician  billings, hospital separations, Medical Service Premium registration information, and vital  statistics data; 2) the B.C. PharmaNet prescription drug claims database which includes every  prescription dispensed outside of acute care settings in B.C., and 3) the Fair PharmaCare  registration database which contains income information for those registered for the income‐ based pharmacare program.   Data were linkable across these datasets using the individual‐specific Personal Health  Number assigned to all permanent residents of B.C. Programmers at PopData B.C. used this  identification number to link individuals across datasets and then replaced it with a project  specific anonymized study identification number, which I used for analysis.  However, for the  purposes of constructing the necessary taxation data required for the analysis in Chapter 6, as        38    well as to supplement income information for those not registered for Fair PharmaCare in B.C.,  I also drew on custom tabulation data from Statistics Canada as well as some publicly available  data. Programmers at PopData B.C. again linked the Statistics Canada custom tabulation data  using six‐digit postal codes; however, six‐digit postal codes were removed prior to my receipt of  the data.  Table 2: Data sources for empirical analyses  Data requirements  Data source  Demographics and region of residence (age, sex,  LHA)  Population Data B.C. consolidation file  Health status measures  Population Data B.C. hospital separations and  physician billings  Proxy for private insurance coverage  Population Data B.C. consolidation file  Death information  Vital statistics data  Household income   Fair PharmaCare registration data and Statistics  Canada tax filer data  Provincial and federal income taxes  Statistics Canada tax filer data  Consumption taxes  Statistics Canada social policy simulation database  and model  Medical services premiums  Publicly available from B.C. Ministry of Health  Services  Prescription drug use and expenditure  B.C. PharmaNet  Note: these data sources are all described in detail below  Data from Population Data B.C. are available to researchers who meet access criteria,  including ethics review, peer review and review by all relevant data stewards. Peer review for        39    my thesis was deemed met by the peer review process undertaken when I applied for and  received doctoral research funding1. I obtained ethics approval from the Behavioural Research  Ethics Board at the University of British Columbia, and I obtained permission to extract  anonymized data to be published in this dissertation from data stewards at the B.C. Ministry of  Health Services and the B.C. College of Pharmacists. This chapter will outline each of the  different data sources used in this thesis including the Consolidation file, hospital separations  and vital statistics death information, physician billings, B.C. PharmaNet, Fair Pharmacare  Income information, data obtained from Statistics Canada, and the publicly available data that  were used.   2.2  Consolidation file   PopData B.C. maintains a central file with data on all individuals who are eligible to  receive health services, and/or individuals who actually receive services in B.C. Thus, it is a  comprehensive data source including virtually the entire population of the province in any given  year. It includes detailed demographic and regional information for each individual residing in  the province, and the data are regularly cleaned and validated by the programmers at PopData                                                             1 This thesis proposal was also reviewed and approved by the UBC School of Population and Public Health’s Thesis  Screening Panel as a requirement for PhD candidacy        40    B.C. I used this consolidation file data to obtain sex, age, and residence information, including  the postal codes that were then used to link Statistics Canada data (described in detail in  section 2.7.1).   The Consolidation file also includes a variable indicating whether the employer or some  employment‐based group paid the MSP premiums (which are non‐earmarked poll taxes  collected from each resident or household in B.C.) on an individual’s behalf. I used this variable  as an indicator of employment‐related health benefits, including private prescription drug  insurance. Research suggests that the majority of private drug plans in Canada are  employment‐based.(83) Because these private drug plans are generally coupled with other  health benefits, including employers paying MSP premiums, this proxy is likely a reasonable  estimate of private insurance status.(3) This variable also indicates when the federal  government pays an individual’s MSP premiums. This occurs for the roughly 4% of the  population whose health care is under federal jurisdiction: registered First Nations, members of  the Royal Canadian Mounted Policy, veterans, and federal inmates. I excluded these individuals  because their prescription drug information is not included in the BC PharmaNet.    Finally, I also obtained information on household composition from the consolidation  file. Because MSP premiums are paid by households rather than individuals, individuals living in  the same household and paying MSP premiums as a household are given one MSP number. This  number differs from the Personal Health Number (PHN) in that each individual who obtains a        41    care card in B.C. receives a unique PHN. While unique PHNs identify only one individual, a  unique MSP number represents a family. To ensure privacy requirements were met, both PHN  and MSP numbers were replaced by anonymized study‐specific identification numbers.   2.3 Hospital separations and vital statistics death information  Any patient who is admitted to hospital for either inpatient care of same‐day surgical  care is entered into the hospital separation records at the time of their discharge or death. The  hospital data provide a significant amount of information on each patient’s hospital stay,  including the project‐specific study ID of the patient, the level of care (which differentiates  inpatient stays from surgical day care), and the resource intensity weight indicating the relative  service intensity of the stay, which is used for costing hospital stays. For my purposes, I was  primarily interested in the up to 25 diagnoses (16 prior to 2002), and the diagnosis type  indicating which diagnosis was most responsible for the hospital stay, which diagnoses  contributed to the stay and which arose after admission. Professionals working at individual  acute care facilities in B.C. abstract the diagnosis codes from the patient charts and enter them  into the hospital separation records. Diagnostic codes are recorded as International  Classification of Diseases (ICD) codes. They have been validated and found to have good  specificity and completeness.(84,85) Hospitals in B.C. coded used ICD‐9 codes until 2002 when  they began using ICD‐10 codes. I use diagnosis codes, both ICD‐9 and ICD‐10, to build health  status measures, to define the subgroup of patients experiencing their first myocardial        42    infarction for the research done in Chapter 4 and 5, and to identify contraindications for  treatment with specific medicines where relevant.   While the hospital data do indicate when an individual dies during their hospital stay,  they are an incomplete source of death information, as a hospital stay does not precede all  deaths. In order to accurately capture deaths occurring in the province during the period of  study in this thesis, I used the B.C. vital statistics death data also available through PopData B.C.  These data contain information on the exact date of death, the place of death, and the  underlying cause of death. The underlying cause of death was coded using ICD‐9 codes until  1999 and ICD‐10 codes thereafter.  2.4 Physician billings   The physician billings data holdings in Population Data B.C. represent fee‐for service  records for physician billings in the province. Each record includes the date of service, the fee  item indicating the service provided, and one diagnostic code for each visit. The physicians’  billings data include only ICD‐9 codes. For this thesis, I used the date of service and the  diagnostic codes to construct health status measures at the individual‐level. An important  limitation of the physicians’ payment data is that they do not include detailed information on  the use of services provided by physicians paid by non‐fee‐for‐service methods, and the  proportion of all physicians affected in B.C has increased over time. The proportion of  physicians affected varies by region and specialty, with (for example) greater use of alternative        43    payment methods in rural and remote areas of the province. Reliance solely on fee‐for‐service  payment information introduces the possibility that there will be some underestimation of  health need among populations living in these areas.(59) Because of these discrepancies across  regions in the completeness of the diagnostic data, I purposefully excluded populations who  lived in the regions where more than 30% of B.C. physician compensation was paid by non fee‐ for‐service (FFS) methods when I had reason to be particularly concerned about the  completeness of my diagnostic data (e.g. for the validation of the ACG case‐mix adjusters).  However the percentage of the population for which this is true is generally quite small (approx  0.6%). In each instance when this was done, it was clearly identified in the methods section of  the relevant chapter.   2.5  B.C. PharmaNet  B.C. PharmaNet is a comprehensive data source that includes information on every  prescription dispensed in B.C. outside of an acute care setting. Pharmacists enter all drugs  dispensed in an outpatient setting, including long‐term care facilities, into PharmaNet.(86) The  medicines excluded from this database are over‐the‐counter medicines, those dispensed in  hospital, and cancer medicines dispensed and administered by cancer agencies and cancer  centres. As previously mentioned, PharmaNet data do not include prescriptions for the roughly  4% of the population whose health care is under federal jurisdiction and thus they were  excluded from my thesis research.         44    Each PharmaNet record provides detailed information including the study ID of the  individual who filled the prescription, the date the prescription was filled, the exact medicine  that was dispensed (using the Drug Information Number), the number of days of medicine  dispensed, the total cost of the prescription regardless of the payer, the total cost of the  prescription that was paid for publicly by provincial pharmacare, and the pharmacist dispensing  fee charged for the prescription. I assigned every prescription drug to the appropriate  therapeutic/pharmacological subgroup (the third level) of the World Health Organization’s  Anatomical Therapeutic Chemical (ATC) drug classification system.(87) This was useful for  determining how many different medicines an individual was taking during any given time  period and for aggregating medicines according to the condition they are treating.   2.6  Fair PharmaCare income information  With the move to income‐based pharmacare in May 2003, the B.C. Ministry of Health  Services began collecting household income information from residents as they registered for  the pharmacare program—for which all B.C. residents are eligible. Because the new program  bases all deductibles, coinsurance and maximum private payment limits on household income,  at the time of registration individuals are asked for their household income 2 years prior to the  year of registration, and permission to verify this reported value using their personal tax filer  information provided by the Canada Revenue Agency. Also, as deductibles, coinsurance and  maximum private payment limits are adjusted when an individual’s household income changes,        45    the Fair PharmaCare program checks household income annually and makes any necessary  adjustment to the individual’s subsidy level accordingly. The result is an accurate and up‐to‐ date source of household income information.   The B.C. Ministry of Health Services codes this income value as a series of numbers and  letters, which correspond to an income range (usually with a spread of a few thousand dollars).  As part of a larger research project, undertaken in partnership with the B.C. Ministry of Health  Services, evaluating the Fair Pharmacare program, research staff at the Centre for Health  Services and Policy (CHSPR) received the codes from the registration data. Collaborating with  staff at the Ministry, research staff at CHSPR constructed income measures based on  registration codes for the B.C. residents who had registered for the program as of June 2006.  For each registered person, any changes to household income between 2003 and 2006 were  also recorded. These measures represent the median value of the income range as the  household income for each individual.  However, this income value is only available for those  who registered for the program, representing approximately 80% of the population, 73%  among non‐seniors and 95% among seniors.   2.7  Statistics Canada  2.7.1 Tax filer data  In order to supplement the income value for those who were not registered for Fair  PharmaCare and to get information on federal and provincial income taxes, I used a custom        46    tabulation from Statistics Canada.  The custom tabulation requested market income and federal  and provincial income taxes and disposable income. Market income represents the total money  accruing to people through employment and investment. Government transfers, such as public  pension and social assistance are added to market income to create total income. Finally,  disposable income represents the income available to the household after paying taxes to both  the federal and provincial government. While disposable income is the most meaningful income  measure when researching the influence of income on access to medicines or any other goods  and services, (79) because the income value obtained from Fair PharmaCare is a measure of  market income, I used the market income value provided by Statistics Canada.     Statistics Canada holds tax‐filer data organized at the family‐level. These data provide  the most detailed information on income and taxes that are paid at the family level. They  cannot be linked with the B.C. data at this level, so they first had to be aggregated to the postal  code level. However, because there are over 115,000 postal codes in British Columbia privacy  concerns prevent the release of the data at this level.(88) Thus, the data were aggregated from  postal code level to 1,000 income bands with 1 representing the lowest income and 1000 the  highest. The number of income bands requested was chosen to maximize the information  available, while still ensuring privacy requirements were met. The bands were created to  capture approximately the same numbers of people—each band represents approximately  4,000 people. Once the bands were created, summing all of the income of the households in        47    each of the postal codes included in that band, and dividing by the number of adults in that  band created the income measure. Statistics Canada provided a separate crosswalk table  between six‐digit postal codes and each income band, which was used to link the  neighbourhood level information to the individual‐level information. Previous validation work  done comparing these neighbourhood level income bands with the Fair Pharmacare income  information described in section 2.6 has suggested that the neighbourhood level income  classifies households within two deciles of their Fair Pharmacare income value approximately  60% of the time.(89) These results suggest that, while neighbourhood income performs well the  majority of the time, its use can result in misclassification. As a result, I often performed  sensitivity analyses examining whether my results were robust to the inclusion of the  neighbourhood level income values for those not registered for Fair Pharmacare.  The rates of income tax, both federal and provincial, provided by Statistics Canada were  used to estimate federal and provincial income tax payments by income. For those whose  incomes were available through Fair PharmaCare, we used the income tax rates provided by  Statistics Canada and applied the relevant rate to the Fair PharmaCare income level.    2.7.2 Social policy simulation database and model  B.C. residents also pay consumption taxes when they purchase goods and services.  Consumption taxes in B.C. during the period of my study consisted of the Provincial Sales Tax  and the General Sales Tax.  There was no source of information on consumption taxes available        48    in either the administrative datasets or in Statistics Canada tax filer data. However, Statistics  Canada has developed a tool called the Social Policy Simulation Database and Model based on  real tax return and other information intended to allow the creation of scenarios to evaluate  different policy and taxation scenarios.  The software is available free of charge through the  Data Liberation Initiative, and was accessed previously by a CHSPR researcher and used to  estimate B.C.’s consumption taxes by income group for the year 2002.(20) I linked the  consumption tax estimates generated from the SPSD/M to each individual or household using  their income value. Because consumption taxes were stable during my study period (2001 to  2004), I used the 2002 values for all years.    Table 3 shows the estimated consumption taxes by income group used in this thesis.   Table 3: Estimates of consumption taxes derived from the social policy simulation database  and model  Income group  Estimated household consumption tax  0‐$5,000  1,067  $5,001‐$10,000  1,238  $10,001‐$15,000  1,842  $15,001‐$20,000  2,361  $20,001‐$25,000  2,797  $25,001‐$30,000  3,494  $30,001‐$35,000  4,131  $35,001‐ $40,000  4,230  $40,001‐$50,000  4,874  >$50,000  8,558      Average  4,261          49    2.8 Publicly available data—medical service premiums  British Columbia charges insurance premiums to all residents. These MSP premiums act  as a poll tax that enter general revenues from which health and pharmacare are financed.  While health care would not be denied on the basis of unpaid premiums, the government does  charge every resident these premiums on the basis of their family size and their household  income. These premiums were adjusted in 2002 (during the study period of interest), and are  outlined for the years 2001, 2002, and 2003 in Table 4. The change in premiums, effective May  1st, 2002, raised the premium rates and changed the income levels at which premiums were  applied—the yearly premium rates reported in Table 4 reflect a combination of rates paid until  April 30th, 2002 and those paid after May 1st. These averaged yearly rates were applied in this  thesis. The information on B.C. Medical Services Premiums is available publicly and was applied  to each individual or household based on their household composition and their household  income.(90) I determined the family size using the MSP identification number as outlined in  section 2.2. All individuals sharing an MSP identification number in one calendar year were  considered to be living in the same household.             50      Table 4: B.C. MSP premium rates 2001‐2004    2001 annual premium, by  household size  2002 annual premium, by  household size  2003 annual premium, by  household size    1  2  3+  1  2  3+  1  2  3+  $12,000‐  $14,000  86.40  153.60  172.80  28.80  51.20  57.60  0.00  0.00  0.00  $14,001‐  $16,000  172.80  307.20  345.60  57.60  102.40  115.20  0.00  0.00  0.00  $16,001‐  $18,000  259.20  460.80  518.40  172.80  307.20  345.60  129.60  230.40  259.20  $18,001‐  $20,000  345.60  614.40  691.20  288.00  512.00  576.00  259.20  460.80  518.40  $20,001‐  $22,000  432.00  768.00  864.00  403.20  716.80  806.40  388.80  691.20  777.60  $22,001‐  $24,000  432.00  768.00  864.00  489.60  870.40  979.20  518.40  921.60  1036.8  >$24,000  432.00  768.00  864.00  576.00  1024.00  1152.00  648.00  1152.00  1296.00              51    3 Explaining prescription drug use and expenditure using the adjusted  clinical groups case­mix system2   3.1 Introduction  As prescription drugs have become a major and growing component of health care — surpassing physicians’ services in financial terms in some countries—there is an increased need  to explain variations in the use of and expenditure on medicines. Prescription drug use  generally results when patients seek interventions to prevent, treat or provide symptomatic  relief from acute and chronic illnesses and injuries. Case‐mix systems based on existing  administrative data may therefore be useful to researchers and policy makers who wish to  explain or predict prescription drug use and expenditure because these tools have been  developed to characterize patients’ combinations of illnesses and injuries.   We aimed to determine the extent to which the adjusted clinical groups (ACG) system  could explain and predict prescription drug expenditure and use. We chose the ACG system  because it has been applied in multiple countries and can be constructed using diagnosis                                                             2 A version of Chapter 3 has been published. Hanley GE, Morgan S, Reid RJ. Explaining prescription drug  use and expenditures using the adjusted clinical groups case‐mix system in the population of British  Columbia, Canada. Med Care 2010;48:402‐408.        52    information extracted from commonly available administrative data. Applying the ACG system  to population‐based administrative data in the province of British Columbia, we investigated  how well the ACG system explained concurrent variation and predicted subsequent year  (prospective) expenditures on prescription drugs, use of prescription drugs, and use of  prescription drugs from 4 or more different therapeutic categories. We also examined how well  the system predicted prescription drug expenditures across drug spending levels and in  subgroups of patients with major medical conditions. To provide context for our results, we  compared the predictive performance of the ACG system with the well‐known and often used  Charlson index of comorbidity.(39,47,91‐93) The Charlson index was an appropriate comparison  as it also uses diagnosis information from administrative data and has been shown to have  similar predictive validity for mortality and 1 year health costs as the ACG case mix system.(47)   3.2 Methods  3.2.1 Data and study population  We drew data from population‐wide administrative databases describing prescription drug  use, demographics, household income, and diagnostic information for residents of B.C.  We  extracted anonymized data for the calendar years 2004 and 2005 with permission from the B.C.  Ministry of Health Services and the B.C. College of Pharmacists. The Behavioural Research  Ethics Board at the University of British Columbia granted ethics approval for our study.         53    Our study population comprised B.C. residents who were alive and registered for benefits  under the province’s public health insurance plan (the B.C. Medical Services Plan) during the  year 2004 and the year 2005. The Medical Services Plan covers all permanent residents of B.C.  except for the roughly 4% of the population that is covered under specific federal health  insurance programs. We excluded a further 4.4% of residents who were registered with the  Medical Services Plan for fewer than 275‐days in 2004 and 2005—this criterion ensured that we  eliminated individuals who were not residents of the province and that we obtained an  accurate picture of our cohort’s diagnostic and prescription drug use information. Finally, we  also excluded the populations who lived in regions where more than 30% of B.C. physician  compensation was paid by non fee‐for‐service methods in 2004 (representing 0.6% of the total  population). These individuals were eliminated because our diagnosis data were compromised  for patients who visit practitioners who are paid by non fee‐for‐service methods, as there are  no similar encounter‐based data systems where diagnosis data were routinely and reliably  collected for patients who visited physicians working outside the fee‐for‐service system.(59)  We obtained prescription drug data from the B.C. PharmaNet. All B.C. residents are eligible  for the public drug coverage program, which subsidizes the cost of medicines at rates  determined by an individual’s household income. In 2004, this program financed approximately  43% of total prescription drug expenditures for the B.C. population (excluding those covered  under federal drug programs). The other 67% of drug expenditures were covered privately        54    (through out‐of‐pocket payments and/or private insurance including copayments and  deductibles).(94)   For each individual, we aggregated the total expenditure (all dollars paid publicly, out‐ of‐pocket and by private insurance carriers including deductibles and coinsurance) on all  prescriptions filled in each of our two study years (2004 and 2005). To determine which  individuals were using prescription drugs from 4 or more different therapeutic categories in a  year, we assigned every prescription drug to the appropriate therapeutic/pharmacological  subgroup (third level) of the World Health Organization’s Anatomical Therapeutic Chemical  (ATC) drug classification system. We counted the number of such subgroups from which each  individual purchased at least one prescription drug.   3.2.2 Calculating the ACGs and the Charlson index  Using the age, sex and diagnosis data just described for the year 2004, we assigned each  individual aggregated diagnosis groups (ADGs) and adjusted clinical groups (ACGs) using the  ACG software version 7.0. The ACG system maps each diagnosis to one of 32 ADGs—groups  that are similar in terms of relative severity, persistence or recurrence, and health care  resource expectations. Specific combinations of ADGs together with age and sex are used to  map each study subject to one of around 100 mutually exclusive and exhaustive ACGs (34,35).  In our study, our subjects mapped to 86 different and unique ACGs. The Charlson index was        55    calculated using year 2004 inpatient and outpatient diagnostic data and the coding algorithms  defined by Quan et al. for defining comorbidities in ICD‐9 and ICD‐10 administrative data.(95)   3.2.3 Statistical analysis  Our dependent variables of interest were: (1) total prescription drug expenditures; (2) a  dichotomous variable indicating whether an individual used any prescription medicine during  the study year; and, (3) a dichotomous variable indicating whether an individual filled  prescriptions from 4 or more different therapeutic categories during the study year. We  examined how well the ACG system explained concurrent variation using the case‐mix adjusters  built from year 2004 data to examine year 2004 prescription drug expenditure and use  variables. We examined how the ACG system predicted prospective expenditure and use using  the 2004 case mix adjusters to examine year 2005 prescription drug expenditure and use  variables.   For each of our dependent variables, our approach to assessing the case‐mix adjusters  involved a comparison of four models consisting of the following covariates: (1) age and sex; (2)  age, sex and ADGS; (3) ACGs alone, and; (4) age, sex and the Charlson index. To investigate  whether these case‐mix adjusters performed differently across age categories, we stratified the  population into 4 different age categories: under 12, 12 to 18, 19 to 64 (since more finely  stratified models revealed no difference among age groups within this range), and 65 and older.  When running the age‐stratified regressions we further adjusted for age using categorical        56    variables for each 2‐year age interval among those under 20 and 5‐year age intervals across all  other age groups. These, along with regressions run for the entire population, allowed us to  determine whether there were any significant differences in the case‐mix adjusters’ ability to  explain variation in prescription drug expenditures across different age categories.   Because we examined both dichotomous and continuous dependent variables, we ran  two different types of statistical models. We ran logistic models to compare the case‐mix  adjusters’ ability to predict the two dichotomous variables (any use of medicines and the use of  medicines from 4 or more therapeutic categories), and we summarized the area under the  receiver operating characteristic (ROC) curve in the form of C‐statistics. A C‐statistic equal to 0.5  indicates that the model is not predicting the outcome any better than chance alone, whereas a  C‐statistic equal to 1 indicates that the model is predicting the outcome 100% of the time.(96) A  model with a C‐statistic larger than 0.8 is generally considered to have value in predicting  individual level outcomes.(97)   Our continuous dependent variable—total expenditure on prescription drugs—was not  normally distributed. To account for this we ran a generalized linear model with a log link and a  gamma distribution (GLM).(70) We could not assess GLM models by comparing standard  measures of fit, such as the R2 statistic.(70,98,99) To measure the predictive power for each  model of prescription drug costs, we calculated the squared sample correlation between the        57    observed response and the model predicted value {Corr(y, ŷ)}2, a measure proposed and  validated for use with GLM models.(99)   Finally, we used the mean predictive ratio to assess the ability of the models to predict  prospective expenditures within selected cohorts.(38,67,100) We generated mean predictive  ratios for subgroups defined by the presence of a single relevant diagnosis from the inpatient or  outpatient settings (for the medical conditions AMI, asthma, depression and diabetes). We also  generated mean predictive ratios for cohorts defined by their year 2004 prescription drug costs.  We chose to compare the ability of the models with age, sex, and ADGs with the models  including age, sex and the Charlson index because we found, as other researchers have  found,(50,100) that age sex and ADGs were the most predictive, and we wanted to compare  the most predictive model with an alternative comorbidity index. We used 2004 data to  generate the models and used the model parameters to predict 2005 prescription drug  expenditures, which we adjusted for the growth in mean expenditures between the two years.  A predictive ratio of 1 indicates perfect prediction. A value less than 1 indicates the model  underestimates expenditures, and a value greater than 1 suggests over‐prediction.  3.3 Results  Table 5 presents demographic, use, and comorbidity measures for the population. A  total of 3,908,533 residents fulfilled the criteria for selection. Mean expenditures on        58    prescription drugs grew by 8.9% between 2004 and 2005. We also found that a large  proportion of the B.C. population had fewer than 3 ADGs (63.7% of the population).  Table 5: Study population demographics, comorbidity, prescription drug expenditure and use  Variable  Frequency  Age (% of population)           Under 12  458,782 (11.7)         12 to 18  355,132 (9.1)         19 to 64  2,528,230 (64.7)         65 and over  566,389 (14.5)         Total  3,908,533 (100)  Gender (% of population)           Female  1,930,555 (50.6)         Male  1,977,978 (49.4)       Mean expenditures (SD)           2004 expenditures, $CDN  382.4 (1209.4)         2005 expenditures, $CDN  416.4 (1327.5)       Use of prescription medicines            Using any medicines (%)  2,573,768 (65.8)        Mean number of prescriptions, (SD)  8.2  (28.0)        Number of different ATC4 categories (SD)  2.4 (2.9)      Aggregated diagnosis groups (% of population)           None  700,711 (17.9)         Only 1  611,833 (15.7)         2 or 3  1,173,097 (30.0)         4 or 5  772,656 (19.8)         6 to 9  556,531 (14.2)         10 or more  93,705 (2.4)      Medical condition groups (% of population)         Acute myocardial infarction  16,255 (0.4)       Asthma  134,445 (3.4)       Depression  193,560 (5.0)       Diabetes  184,416  (4.7)          59    Table 6 shows frequencies, percentages, mean prescription drug expenditures and  coefficients of variation for the 10 most common ACGs (excluding acg5100 which captures the  18% of the population designated as non‐users) while Table 7 shows the 10 ACGs with the  highest mean prescription drug expenditures. This table illustrates that there was significant  variation in mean prescription drug expenditure across ACGs. As expected, the ACGs with the  highest morbidity burdens were those with the largest mean prescription drug expenditures.  ACG 5070, which represents adults with 10 or more ADG combinations, had mean annual  prescription drug expenditures of $2,531, while ACG 300, which represents acute minor  conditions in individuals over the age of 6, had mean annual prescription drug expenditures of  just $61.  ACGs with higher mean prescription drug expenditures also tended to have lower  coefficients of variation—this likely reflects the fact that most highly comorbid patients have  high prescription drug expenditures.(101)                    60    Table 6: The most frequent ACGs   ACG  Description  Freq  Percent Mean  prescription  drug  expenditures  Standard  deviation acg4100  2‐3 other ADG combinations, age 35+  336,659  8.6%  623.09  1397.36  acg1800  Acute minor/acute major  299,784  7.6%  133.97  676.62  acg300  Acute minor, age 6+  289,526  7.4%  61.00  377.13  acg400  Acute major  218,070  5.5%  94.54  421.15  acg4910  6‐9 other ADG combinations,  age 35+,  0‐1  major ADGs  192,451  4.9%  1127.28  2112.74  acg3200  Acute minor/acute major/likely to recur, age  12+, w/o allergy  162,408  4.1%  228.78  619.66  acg4410  4‐5 other ADG combinations, age 45+, no  major ADGs  121,828  3.1%  725.70  951.05  acg4420  4‐5 other ADG combinations, age 45+, 1  major ADGs  115,426  2.9%  1025.17  1852.31  acg2100  Acute minor/likely to recur, age 6+, w/o  allergy  113,543  2.9%  116.24  293.55  acg3600  Acute minor/acute major/likely to recur/  chronic medical: stable  94,402  2.4%  616.13  1544.18              61    Table 7: The ACGs with the highest mean expenditures  ACG  Description  Freq  Percent  Mean  prescription  drug  expenditures  Standard  deviation acg5070  10+ other ADG combinations, age 18+, 4+  major ADGs  14,719  0.4%  2530.94  3142.12  acg5060  10+ other ADG combinations, age 18+, 3  major ADGs  16,561  0.4%  2365.67  3044.61  acg5050  10+ other ADG combinations, age 18+, 2  major ADGs  18,933  0.5%  2019.78  2713.09  acg4940  6‐9 other ADG combinations, age 35+, 4+  major ADGs  5,422  0.1%  1804.90  2360.40  acg5030  10+ other ADG combinations, age 1 to 17, 2+  major ADGs  764  0.0%  1730.38  6114.45  acg4930  6‐9 other ADG combinations, age 35+, 3  major ADGs  25,133  0.6%  1706.81  2342.84  acg5040  10+ other ADG combinations, age 18+, 0‐1  major ADGs  17,410  0.4%  1546.73  2115.23  acg4920  6‐9 other ADG combinations, age 35+, 2  major ADGs  76,545  1.9%  1532.80  2313.46  acg4430  4‐5 other ADG combinations, age 45+, 2+  major ADGs  34,284  0.9%  1259.44  2066.70  acg2700  Acute minor/psychosocial, w/ psychosocial  unstable, w/ psychosocial stable  2,036  0.1%  1217.68  2040.50    3.3.1 Explaining any use of medicines and use of medicines from 4 or more  therapeutic categories    Table 8 presents the C‐statistics from the logistic regressions examining use of any  medicines and use of medicines from 4 or more therapeutic categories. In predicting  concurrent and prospective use of medicines, the model including age, sex and ADGs had the  highest C‐statistic at 0.88 and 0.79 respectively, followed by ACGs alone (concurrent C‐       62    stat=0.86 and prospective C‐stat=0.77). Both of these models offered substantial increases in  the C‐statistic over the models with age and sex alone (C‐stat= 0.66 both concurrently and  prospectively). The Charlson index offered gains over age and sex alone (concurrent C‐stat=0.70  and prospective C‐stat=0.68), but the Charlson index had C‐statistics significantly below the  models including ACG case‐mix adjusters. The case‐mix adjusters predicted best in the adult  group (age 19‐64) when examining concurrent use, but predicted slightly better prospectively  for those over the age of 65 and worse prospectively for those under the age of 18. However,  the differences across age groups were quite small.  The ACG case‐mix system performed relatively better when predicting the use of  medicines from 4 or more therapeutic categories. The model including age sex and ADGs had  the highest C‐statistic (concurrent C‐stat= 0.89 and prospective C‐stat=0.84) followed by the  model including only ACGs (concurrent C‐stat=0.87 and prospective C‐stat=0.82). In relation to  the age groups, the case‐mix adjusters performed relatively well for all those under age 65 and  slightly worse for seniors when predicting concurrently. Prospectively, they performed best  among those aged 19 to 64.               63      Table 8. Comparison of C‐statistics from logistic models explaining the variation in use of  prescription drugs and use of medicines from 4+ therapeutic categories    Total pop.  3,908,533  Under 12  461,493  12‐18  357,503  19‐64  2,543,770  65 plus  568,809  Dependent variable= any use of medicines   Concurrent (2004 diagnoses predicting 2004 use)  Age and sex  0.66  0.59  0.59  0.63  0.58  Age sex and ADGs  0.88  0.86  0.86  0.87  0.85  ACGs  0.86  0.82  0.83  0.85  0.84  Charlson index  0.70  0.64  0.63  0.66  0.64  Prospective (2004 diagnoses predicting 2005 use)  Age and sex  0.66  0.57  0.60  0.63  0.59  Age sex and ADGs  0.79  0.70  0.72  0.78  0.80  ACGs  0.77  0.69  0.69  0.77  0.78  Charlson index  0.68  0.60  0.61  0.65  0.62              Dependent variable= use of medicines from 4+ therapeutic categories   Concurrent (2004 diagnoses predicting 2004 use)  Age and sex  0.75  0.61  0.66  0.65  0.57  Age sex and ADGs  0.89  0.89  0.89  0.87  0.82  ACGs  0.87  0.85  0.83  0.85  0.79  Charlson index  0.78  0.75  0.72  0.70  0.66  Prospective  (2004 diagnoses predicting 2005 use)  Age and sex  0.75  0.59  0.65  0.65  0.56  Age sex and ADGs  0.84  0.78  0.78  0.80  0.76  ACGs   0.82  0.75  0.74  0.78  0.74  Charlson index  0.76  0.68  0.68  0.68  0.62    3.3.2 Explained variability in prescription drug expenditure   Table 9 shows the squared correlation between the observed and the model predicted  values from each of the GLM models {Corr(y,ŷ)}2.  The model including age and sex as  independent variables had {Corr(y,ŷ)}2  of 0.09 when predicting concurrent prescription drug        64    expenditures and 0.07 when predicting prospective expenditures. In contrast, the models  including age, sex and ADGs had nearly triple the squared correlation between the observed  and the model predicted values for both concurrent and prospective year expenditures  ({Corr(y,ŷ)}2 = 0.26 and {Corr(y,ŷ)}2 =0.21 respectively). The models including only ACGs  generated {Corr(y,ŷ)}2  equal to 0.24 and 0.19 for concurrent and prospective expenditures  respectively. The Charlson index offered gains over age and sex alone, but did not perform as  well as the ACG case‐mix system ({Corr(y,ŷ)}2 =0.14 concurrently and 0.11 prospectively). The  case‐mix adjusters had the highest correlations amongst those aged 19‐64 but they also  performed reasonably well when predicting expenditures in those 65 years of age and older.  They did not perform as well predicting expenditures among those under 18.   Table 9: Squared correlation between the observed and the model predicted values from the  GLM models    Total pop.  3,908,533  Under 12  461,493  12‐18  357,503  19‐64  2,543,770  65 plus  568,809  Concurrent (2004 diagnoses predicting 2004 costs)  Age and sex  0.09  0.01  0.02  0.04  0.03  Age sex and ADGs  0.26  0.12  0.12  0.20  0.19  ACGs  0.24  0.08  0.11  0.18  0.17  Charlson index  0.14  0.02  0.02  0.06  0.05              Prospective (2004 diagnoses predicting 2005 costs)  Age and sex  0.07  0.01  0.01  0.03  0.03  Age sex and ADGs  0.21  0.12  0.14  0.17  0.16  ACGs  0.19  0.05  0.07  0.15  0.13  Charlson index  0.11  0.01  0.02  0.05  0.04          65    3.3.3 Predicting across cost and medical condition groups  Table 10 shows mean predictive ratios (MPRs) for 2005 prescription drug expenditures  for 10 groups, 5 based on prior year diagnoses of medical conditions and 5 based on prior year  prescription drug expenditure. The model including ADGs predicted best, with mean predictive  ratios varying from 0.71 to 1.10. However, while the model predicted better than the model  including the Charlson index (MPR=0.36), it still significantly under predicted in the lowest  spending group with a MPR of 0.71. The age, sex and ADG model predicted best for those in the  highest spending group (MPR=1.10 vs. MPR=1.15 for the Charlson index). The model including  ADGs also predicted well for the diagnosis‐identified groups with predictive ratios all within 4%  of actual costs for the subgroups (predictive ratios between 1.01 and 1.04). The model including  the Charlson index fared slightly worse with MPRs ranging between 0.92 and 0.94 across the  medical condition groups.                   66    Table 10: Mean predictive ratios for year 2005 prescription drug expenditures across medical  condition and cost‐defined groups    n  Mean 2005  drug costs   Age, sex and  ADG  Age, sex and  Charlson index  Spending percentiles          Lowest 50%  1,965,788  $44  0.71  0.36  Next highest 30%  1,179,472  $220  0.89  0.88  Next highest 10%  393,158  $786  1.01  1.04  Second highest 5%  196,579  $1457  1.05  1.07  Highest 5%  196,578  $3530  1.10  1.15            Medical condition  groups          Acute myocardial  infarction  16,255  $1925  1.04  0.94  Asthma  134,445  $763  1.03  0.93  Depression  193,560  $996  1.03  0.94  Diabetes  184,416  $1546  1.01  0.92  Note: Models were fit to 2004 data and validated on 2005 data. Predictive ratios equal model‐predicted  costs for the specified group divided by actual costs in 2005.   3.4 Discussion  Our results indicate that the commonly‐used ACG case mix system explains variation in  same‐ and prospective‐year expenditure on prescription drugs better than the Charlson index  and better than age and sex alone. Our best performing models reported high correlations  between the observed and the model predicted values and generated mean predictive ratios  within 4% of the actual costs when examining medical condition groups. While the ACG case‐ mix system under‐predicted costs for the low spending groups, the predictions for all other cost  based groups were within 11% of actual costs.   Moreover, our findings suggest that the ACG  system can be considered a valuable predictor of concurrent and prospective drug use and use  of medicines from 4 or more therapeutic categories.(97) Finally, consistent with previous        67    research examining their performance in predicting physician and hospital costs,(36) we found  that the ACG case‐mix adjusters performed best in predicting prescription drug use and  spending among adult populations (especially those aged 19‐64).  We cannot directly compare our results with other literature for two reasons. First our  study population was more diverse, in terms of coverage, age, and health status, than the  populations that have been studied in the US and other countries.(65,67‐69) Second, we ran  GLM models rather than linear models and our measure of predictive power cannot be  compared across different types of models. However, we did find that the addition of the case‐ mix adjusters improved the ability to predict both concurrent and prospective prescription drug  expenditures, more than tripling the squared correlation between the observed and the model  predicted values.   Our results suggest that, when applied to population‐based administrative datasets that  routinely collect diagnostic information, the ACG case‐mix adjustment significantly improves  prediction of both concurrent and prospective use of and expenditure on prescription drugs. Of  course, the use of large administrative databases also introduced some limitations. Studies  comparing case‐mix adjustment using medical records with those derived from large ICD‐9 and  ICD‐10 code‐based administrative datasets have reported that the data derived from medical  records are more complete than those derived from administrative datasets, especially with  regard to chronic and potentially asymptomatic diseases.(42,93) Our particular dataset also        68    suffered from the loss of some data, namely, we lacked diagnostic data for visits to physicians  that were not paid for on a fee‐for‐service payment scheme. We also suspect that the poor  performance of the ACG case mix in predicting prescription drug costs in children may have  been related to the fact that our data did not include drugs dispensed in hospital. Children with  complex health conditions may be more likely to be prescribed medicines in hospital than their  adult counterparts. Future work should investigate this more closely. Also, valuable future work  would directly compare the ability of the ACG case mix system with other systems, such as the  DCG/HCC and the CRG systems, within the same population.  Despite out study limitations, our results indicate that case‐mix adjusters like the ACG  system offer a feasible means of explaining significantly more variability in prescription drug  expenditure and use than age, sex, and the Charlson index of morbidity. Therefore, these tools  may be useful for researchers and policy makers who must explain or predict important  variations in prescription drug expenditures and use.         69    4 Income­related inequity in initiating on evidence­based therapies  among patients with acute myocardial infarction3  4.1 Introduction  Despite Canada’s universal health insurance that provides first dollar coverage  regardless of ability‐to‐pay, research has shown that socioeconomic status (SES) affects receipt  of cardiac procedures following an acute myocardial infarction (AMI): previous studies have  reported that AMI patients with higher SES are more likely to receive cardiac  catheterization(102,103) and coronary angiography(104) than more disadvantaged patients.  Some research has suggested that prescribing for secondary prevention may be influenced by  non‐clinical factors such as patient age and education;(105) however, the potential relationship  between SES and receipt of recommended prescription medicines following AMI remains  unclear. Pharmacologic therapy is safe and effective in the secondary prevention of coronary  artery disease. Generally accepted clinical practice guidelines recommend that all patients  without contraindications or intolerance be treated with acetylsalicylic acid (ASA), beta‐                                                            3 A version of Chapter 4 has been published. Hanley GE, Morgan S, Reid RJ. Income‐related inequity in initiation of  evidence‐based therapies among patients with acute myocardial infarction. J Gen Intern Med 2011. DOI:  10.1007/s11606‐011‐1799‐1.          70    blockers, angiotensin‐converting enzyme (ACE) inhibitors and cholesterol‐lowering  statins(25,106,107) to prevent secondary events. Each of these agents targets a different aspect  of cardiac disease with a different mechanism of action, and each has been shown to reduce  the risk of death and reinfarction.(26‐28) The guidelines recommending the combined use of all  four medicines are based on the evidence from the individual randomized controlled trials for  each medicine as well as research that has shown that the combined use of beta‐blockers, ACE‐ inhibitors and statins provides the largest reduction in the risk of experiencing a subsequent  AMI.(108) Despite the guidelines, we know that not all eligible AMI patients receive these  pharmacotherapies.(109,110)   Given that all first‐time AMI patients have the same level of need for these therapies, if  the health care system were achieving its stated goals of promoting the use of effective  medicines according to need rather than ability‐to‐pay, we would expect no significant  differences in the initiation of recommended treatment following AMI across income  groups.(20,77) To test this (null) hypothesis, we performed a population‐based, province‐wide  study of the initiation of treatment with ACE‐inhibitors, beta‐blockers and statins in the 120  days following discharge from hospital for first AMI in B.C. We also sought to determine  whether the relationship between income and initiation on these medicines changed after the  move to income‐based pharmacare in B.C.         71    4.2 Methods  We performed a cross‐sectional study in a population‐based cohort. Our datasets were  comprehensive and complete and included all residents of B.C. except those whose health care  is under federal jurisdiction: registered first nations, veterans, RCMP, and inmates of federal  penitentiaries (approximately 4% of the total population)(82). We were provided data from  Population Data B.C. and the B.C. PharmaNet with the permission of the B.C. Ministry of Health  Services and the B.C. College of Pharmacists. These records were linked with linkage rates over  95%. Ethics approval was obtained from the Behavioural Research Ethics Board at the  University of British Columbia.  4.2.1 Study population   Figure 2 outlines the exclusion criteria for our study population. Using automated  hospital discharge records, we identified all patients who were admitted between January 1st,  1999 and September 3rd, 2006 to any acute care hospital in B.C. with a primary diagnosis of AMI  (ICD‐10 I21.x and ICD‐9 410.x). We restricted our analysis to patients aged 40 to 100 years old  who were discharged alive between January 1st, 1999 and September 3rd, 2006. We identified  previous AMI by searching the hospital data for the five years prior to the identified AMI to  determine whether the patient had been previously admitted to any acute care hospital in B.C.  with a primary diagnosis of AMI (same codes as above). If they had a previous admittance for  AMI, they were excluded from our study. The first AMI event was considered the index AMI.        72    We used the ICD‐10 diagnoses in the hospital discharge data for the index AMI admission to  eliminate patients with comorbidities that may be considered contraindications to treatment  with one or more of the three medicines of interest. These include cirrhosis, cholestasis,  chronic obstructive pulmonary disorder, asthma, bradycardia, end‐stage renal disease, and  aortic stenosis.(111)   In order to ensure we had accurate health care and prescription data for our study  population, we also eliminated individuals who were not registered for the provincial health  care program for at least 275 days in the 4 years prior and the 1‐year after their index AMI.  Finally, we also eliminated individuals who did not survive for 120 days following their AMI and  those who were in long‐term care settings at any point in the year following their index AMI.                      73    Figure 2: Study population description     First time AMIs between  age of 40 and 100  n=38,985  Eliminated those under 40 or  over 100 years of age  n=719  First time AMI patients  residing in B.C. for at least 275  days during relevant period  n=31,957  Eliminated those not residing in  B.C. for 275 for 4 years before  and 1 year after AMI  n=7,028 First time AMI patients  who survived at least 120  days post AMI  n=30,656  Eliminated those with  contraindications  n=1,726  Eliminated those in long‐term care  n=658  Eliminated those with missing sex  n=56    Final sample of first time AMI  patients in B.C. between Jan  1st, 1999 and Sep 3rd, 2006  n=28,216  Eliminated patients who did  not survive 120 days post AMI  n=1,301  All first time AMIs between  Jan 1st, 1999 and Sep 3rd,  2006  n= 39,704        74    4.2.2 Data and variable construction   Prescription drug information Prescription drug data were obtained from the B.C. PharmaNet,  which is described in detail in section 2.5. We used Anatomical Therapeutic Classification (ATC)  codes to identify medicines of interest: ACE‐inhibitors (ATC: C09), beta‐blockers (ATC: C07) and  statins (ATC: C10A and C10B)(87). We built an initiation variable that was equal to one if the  patient had filled at least one prescription for the medicines listed above within the 120 days  after discharge from hospital for their index AMI. We did not include acetylsalicylic acid  because it is also available over‐the‐counter in British Columbia, and thus we could not  completely capture it in the B.C. PharmaNet.   Health status and residence information We constructed measures of general health status  using the diagnosis‐based Adjusted Clinical Group (ACG) Case‐Mix System.(35) Specifically, we  used the Aggregated Diagnostic Groups, which were built from the complement of ICD‐9/ICD‐ 10 diagnostic codes assigned in inpatient and ambulatory settings over the 12‐month period  prior to the index AMI. These were shown to be predictive of both prescription drug use and  expenditure in the B.C. population, and among AMI patients, in Chapter 3 of this thesis.(112)  Our indicator of urban residence was built using the Local Health Area in which the patient  resided at the time of their index AMI. Local Health Areas that were located in urban centres  were used to build an indicator variable of urban residence.         75    Income information Our income measure consisted of binary variables indicating quintile  groups ordered from lowest to highest household incomes. As described in Chapter 2, sections  2.6 and 2.7.1, for approximately 80% of the population, the underlying income data were  derived from household‐level incomes verified with the Canada Revenue Agency by the B.C.  Ministry of Health Services. For the remaining AMI patients, we used a validated area‐level  measure of the mean income of the neighbourhood in which they live, with neighbourhoods  including approximately 4000 residents.(89)   4.2.3 Statistical analysis  We ran sex‐stratified multivariate logistic regressions with four dependent variables  indicating initiation of treatment in the 120 days post‐discharge on ACE‐inhibitors, beta‐ blockers, statins, and all three of those medicines. We controlled for age (using five‐year  bands), general health status (using the ADGs), and an indicator of urban residence. We also  calculated sex‐stratified crude rates of initiation for each of those dependent variables. To  examine whether the relationships between income and treatment changed after income‐ based coverage was introduced, we re‐ran the models with the addition of a policy change  indicator variable and interaction terms for each income quintile and the policy change. If the  relationships between the income quintiles and initiation of treatment were significantly  different after the policy change, the coefficients on those interaction terms would have been  significant. We also performed several sensitivity analyses to test the effects of using        76    neighbourhood level income as well as individual‐level income and found that our results were  robust.   4.3 Results  A total of 28,216 AMI patients met our eligibility criteria. Patients were more likely to be  male across all income quintiles; however, patients in the higher income quintiles were less  likely to be female than patients in the lower income quintiles (Table 11). This likely reflects the  fact that female AMI patients are older and thus less likely to be earning employment income  than their male counterparts. Patients in the highest income quintiles were slightly younger  than patients in other income quintiles. Those in the highest income quintile were also slightly  more likely to live in urban areas and were generally in better health (as measured by their  fewer number of ADGs) than those in lower income quintiles. It should be noted, that for all  sex‐stratified analyses, sex‐stratified income quintiles were used, so there were equal numbers  of women in each income quintile and our results were not affected by the sex‐differences  across income quintiles reported in Table 11.                 77    Table 11. Distribution of variables in the AMI study population    Income quintiles  Variable (%)  1 (n=5,644)  2 (n=5,643)     3 (n=5,643)  4 (n=5,643)  5 (n=5,643)  Gender                   Male  55.0  61.8  66.1  73.5  79.8        Female  45.0  38.2  34.0  26.5  20.2  Age, yrs                 40 to 49  8.7  6.5  7.8  8.4  13.4       50 to 59  18.5  13.2  15.3  20.0  32.2       60 to 69  23.9  22.2  23.5  26.8  24.2       70 to 79  23.4  31.0  31.3  28.6  19.3       80 to 89  20.4  23.6  19.4  14.8  9.9       90 to 99  5.1  3.6  2.7  1.5  0.9  Residence                  Urban  74.5  70.1  69.5  75.9  78.3        Rural  25.5  29.9  30.5  24.1  21.7  General  Health Status            Mean ADGs  7.5  7.3  7.1  7.0  6.7    Crude rates of initiation on ACE‐inhibitors, beta‐blockers, statins and all three medicines  by income quintile are illustrated separately for men and women in Figure 3. In all cases, AMI  patients in the highest two income quintiles were more likely to initiate on treatment than  those in the lowest two income quintiles (all p‐values <0.05). The income gradients appear  steeper in men than in women, and the average rates of initiation were always higher in men  than in women suggesting that men were more likely to initiate on any of the recommended  therapies in the 120 days post‐discharge for AMI.           78    Figure 3: Crude rates of initiation on ACE‐inhibitors, beta‐blockers, statins, and all three  medicines in the 120 days post‐discharge from hospital for AMI for men(A) and women(B)    Table 12 and Table 13 present adjusted odds ratios modeling the relationship between  income quintile and likelihood of initiation on treatment with ACE‐inhibitors, beta‐blockers,        79    statins, and all three medicines in the 120 days post‐discharge from hospital after first AMI in  men and women respectively. The odds ratios suggest that after accounting for age, general  health status and urban residence, men in the third income quintile or higher were significantly  more likely to initiate on ACE‐inhibitors, beta‐blockers and statins than men in the first income  quintile. Men in the fifth income quintile had 37%, 50% and 71% higher odds of initiating on  ACE‐inhibitors, beta‐blockers and statins respectively than those in the lowest income quintile  (OR=1.37 95% CI (1.24, 1.51); OR=1.50 95% CI (1.35, 1.68); and OR= 1.71 95% CI (1.53, 190)).   Adhering to treatment guidelines and initiating on all three medicines was significantly more  likely for men in the 4th and 5th income quintile (OR=1.12 95% CI (1.02, 1.24) and OR=1.30 95%  CI (1.18, 1.43)).    Table 12. MEN: Regression results for initiation on ACE‐inhibitors, beta‐blockers, and statins  in the 120 days post AMI by income quintile    ACE‐inhibitors  Beta‐blockers  Statins  All three  Quintile 1  1.00 (ref)  1.00 (ref)  1.00 (ref)  1.00 (ref)  Quintile 2  0.99 (0.89, 1.09)  1.04 (0.93, 1.15)  0.96 (0.87, 1.07)  0.93 (0.84, 1.03)  Quintile 3  1.13 (1.02, 1.25)  1.21 (1.09, 1.35)  1.15 (1.03, 1.28)  1.03 (0.93, 1.14)  Quintile 4  1.21 (1.09, 1.33)  1.35 (1.21, 1.51)  1.45 (1.30, 1.62)  1.12 (1.02, 1.24)  Quintile 5  1.37 (1.24, 1.51)  1.50 (1.35, 1.68)  1.71 (1.53, 1.90)  1.30 (1.18, 1.43)    Table 13 suggests that the adjusted relationship between household income and  initiation of treatment is not as clear among women. Women in the fourth income quintile  were more likely to initiate on ACE‐inhibitors than those in the lowest income quintile (OR=1.15  95% CI (1.01, 1.32)). Women in the highest income quintile were also significantly more likely to        80    use beta‐blockers and statins than those in the lowest income quintile (OR=1.25 95% CI (1.06,  1.47) and OR=1.32 95% CI (1.12, 1.54)). There were no significant differences in initiation of  treatment on all three medicines; however, Figure 3B illustrates that the average rate of  initiation on all three medicines among women is a relatively low 36.0%.   Table 13. WOMEN: Regression results for initiation on ACE‐inhibitors, beta‐blockers, and  statins in the 120 days post AMI by income quintile    ACE‐inhibitors  Beta‐blockers  Statins  All three  Quintile 1  1.00 (ref)  1.00 (ref)  1.00 (ref)  1.00 (ref)  Quintile 2  1.01 (0.87, 1.11)  1.00 (0.88, 1.14)  0.94 (0.83, 1.06)  0.94 (0.83, 1.07)  Quintile 3  0.98 (0.89, 1.13)  1.05 (0.92, 1.20)  0.98 (0.86, 1.11)  0.91 (0.80, 1.04)  Quintile 4  1.15 (1.01, 1.32)  1.13 (0.97, 1.30)  1.07 (0.93, 1.23)  1.08 (0.94, 1.24)  Quintile 5  1.04 (0.89, 1.20)  1.25 (1.06, 1.47)  1.32 (1.12, 1.54)  1.09 (0.94, 1.27)    Table 14 contains results of sex‐stratified models describing use of one or more of the  recommended drugs that includes the policy change indicator and interaction terms. None of  the interaction terms between the income quintiles and the policy change is significant in either  of the sex‐stratified models, suggesting that the relationship between income and initiation of  treatment was not significantly affected by the policy change. The interaction terms were  insignificant in models for all four dependent variables studied (results available in the  Appendix). Models run separately on pre‐policy and post‐policy periods also demonstrated that  income gradients existed before and after the policy change (results available in the Appendix).          81    Table 14. Regression results examining use of any of the three recommended medicines to  test whether the relationship changed after the policy change  Variable  Men  Women  Quintile 1  1.00 (ref)  1.00 (ref)  Quintile 2  1.07 (0.88, 1.29)  1.04 (0.81, 1.34)  Quintile 3  1.47 (1.20, 1.80)  1.38 (1.05, 1.81)  Quintile 4  2.13 (1.72, 2.64)  1.41 (1.03, 1.92)  Quintile 5  2.78 (2.20, 3.50)  2.09 (1.42, 3.09)        Post policy indicator variable  0.87 (0.71, 1.06)  0.84 (0.67, 1.02)        Quintile 1 pre policy  1.00 (ref)  1.00 (ref)  Quintile 2 interacted with post  policy variable  1.12 (0.86, 1.47)  0.96 (0.69, 1.35)  Quintile 3 interacted with post  policy variable   0.92 (0.70, 1.22)  0.78 (0.53, 1.11)  Quintile 4 interacted with post  policy variable  0.88 (0.66, 1.18)  0.89 (0.59, 1.34)  Quintile 5 interacted with post  policy variable  0.87 (0.64, 1.20)  0.62 (0.38, 1.03)    4.4 Discussion   In this population‐based province‐wide study, we demonstrated a clear and often  significant gradient between income and initiation of evidence‐based pharmaceutical therapies  among male patients post AMI.  Practice guidelines have long recommended the use of beta‐ blockers and ACE‐inhibitors for secondary prevention after acute myocardial infarction,(113)  and use of statins has been more recently added to the treatment guidelines.(25) Given that we  removed patients with a contraindication for any of the recommended therapies we studied,  and that all of these patients are in equal need for these effective treatments, we would not  expect to see a significant effect of income on use of these medicines. The significant gradient        82    between income and initiation of treatment does not appear among female patients, although  women in the highest income quintiles were more likely to use statins and beta‐blockers than  those in the lowest quintile. This may be partly explained by the fact that the differences in  mean income across income quintiles were greater for male AMI patients than for female AMI  patients. Previous research has also suggested that female AMI patients are more likely to be  compliant with their secondary preventive therapies post AMI than male patients.(114) If  women of all incomes are more compliant post AMI, this might explain why we see fewer  significant differences in initiation of treatment across the income gradient for women.   Our results are consistent with a study from Denmark that found that despite a  generous health insurance system, AMI patients with low income received secondary  preventive treatment with pharmacotherapies less frequently than their higher income  counterparts.(115) Research in Sweden has also suggested that adherence to these therapies  following AMI is higher among higher‐income patients,(116) and American research has  previously reported increased sensitivity to copayments among patients living in lower income  neighbourhoods.(117) We also know that Medicare patients with more generous coverage  consume more clinically essential medicines,(118,119) that increased cost‐sharing is associated  with lower rates of drug treatment,(120) and that approximately 20% of cardiovascular patients  cut back on their medicines due to cost.(121) The consequences of cost‐related non‐adherence  or lack of initiation on recommended medical treatment are particularly serious in this        83    population. Cardiovascular patients not taking their medicines due to cost have been shown to  be at increased risk for both hospitalization and death.(33,121,122)   Our study is not without limitations. Given our use of administrative data it is unlikely  that our attempt to exclude patients with contraindications to the therapies under  consideration captured all such patients. We were also unable to identify patients who may  have experienced intolerance to one or more of these medicines when using them for primary  prevention. However, we would not expect missed contraindications or intolerance to exhibit  an income gradient, and thus these limitations are unlikely to seriously affect our main findings.  We were also unable to examine the use of ASA because the administrative dataset only  captures prescription medicines and many patients may have been using ASA purchased over‐ the‐counter. However, the use of administrative data allowed us to examine the entire  population of patients suffering their first AMI in the province between 1999 and 2006.  Therefore our data are comprehensive and not restricted to certain care facilities or to certain  age groups or sub‐populations.   Another important limitation is that our data only capture filled prescriptions. We could  not capture written but unfilled prescriptions. In fact, we hypothesize that patients in the lower  income quintiles may be less likely to fill written prescriptions; thus our results likely  underestimate post‐discharge prescribing. We were also unable to control for the specialty of  the physician. Previous research has found that rates of post‐discharge use of statins and ACE‐       84    inhibitors are higher in patients attended by cardiologists than non‐cardiologists.(109) Further  research should examine whether the income gradient in initiation of treatment with  recommended medicines differs for those attended by cardiologists, as this might suggest ways  to improve initiation rates among non‐cardiologists.    Filled prescriptions for the guideline‐recommended medicines shown to be safe and  effective for secondary prevention after AMI show a clear and positive income gradient for  male patients. Physicians and pharmacists should be aware that their lower income male AMI  patients might be at higher risk of not filling their prescriptions and advise and prescribe  accordingly. Physicians may want to prescribe generic and less expensive medicines, while  pharmacists may want to pay special attention to counseling patients about the benefits of  these medicines. Insurers should also consider the potential benefits of providing these  medicines free of cost to AMI patients. A recent economic evaluation conducted to compare  full public coverage of secondary prevention medicines reported that full coverage was cost‐ effective in the Canadian system compared to the status quo, and resulted in greater adjusted  survival of AMI patients.(123) Given that our research suggests the potential to also alleviate  important income‐related inequities, and to significantly increase the proportion of AMI  patients receiving these recommended treatments, it may be time for governments or insurers  to seriously consider full coverage for secondary prevention for AMI patients.             85    5 Income­related inequity in the days of pharmaceutical therapy  among those for whom treatments were initiated following AMI  5.1 Introduction   Chapter 4 outlined the income‐related inequities in initiation on evidence‐based  medicines following AMI before and after the move to income‐based pharmacare and  demonstrated a clear and positive income gradient. The results of chapter 4 also suggested that  the policy had no significant impact on this income gradient. Income‐based pharmacare  appeared to have neither significantly exacerbated nor eased the access barriers present for  low‐income AMI patients.  However, inequity in the use of secondary preventive cardiovascular  medicines after AMI can also occur among those who were initiated on pharmaceutical  treatment. Inequity, defined as differences in the use of secondary preventive medicines that  are systematically related to income, could occur if increasing income is related to receiving  more days of therapy on recommended cardiovascular medicines even after accounting for  differences in underlying morbidity.   In this chapter, I examined whether the days of therapy on secondary preventive  medicines, namely ACE‐inhibitors, beta‐blockers and statins, differed by income status after  adjusting for age, sex, and differences in underlying morbidity, among the study population  who were initiated on the medicine. I did this both before and after the move to income‐based  pharmacare to determine whether the policy change significantly changed inequity in medicine        86    use among users of cardiovascular medicines who had suffered their first AMI. Because income  could also be related to the number of prescriptions a person fills, since disposable income  constraints may result in filling shorter prescriptions more frequently, I also investigated the  relationship between income and number of prescriptions, given days of therapy.  Filling  prescriptions more frequently may result, ironically, in higher drug costs for those least able to  afford them because of increased spending on pharmacist dispensing fees (which are charged  each time a prescription is dispensed). I also examined whether there were differences across  the income gradient in mean pharmacist dispensing fees.  5.2 Methods  5.2.1 Data and study population  See section 4.2.1 and Figure 2 for a detailed description of the study population. The  only significant difference is that, in this chapter, I have excluded those who did not initiate on  the relevant medicine of interest. See section 4.2.2 for a description of the data used in this  chapter, and Chapter 2 section 2.3, 2.4, and 2.5 for detailed information on the hospital,  physician and PharmaNet data used in this chapter.   5.2.2 Statistical analysis  Within the 120 days post‐discharge from hospital for first AMI, I examined mean total  days of medicine dispensed, mean number of prescriptions filled, and mean pharmacist  dispensing fees for prescriptions of: 1) ACE‐inhibitors; 2) beta blockers; 3) statins; and, 4) all        87    three cardiovascular medicines combined. I performed a pre‐post analysis examining inequality  and income‐related inequity in days of therapy on cardiovascular medicines used for secondary  prevention among first‐time AMI patients before and after the move to income‐based  pharmacare.    My primary independent variable of interest was the patient’s inflation‐adjusted  household income during the year of their AMI or the closest year to their AMI for which I had  valid income information (see sections 2.6 and 2.7.1 for detailed information on the income  variable being used). Variation in days on each of the evidence‐based therapies is explained  using measures of health status, income and urban or rural residence. As predictors of need for  medicines, I used age in 5‐year bands, and the Johns Hopkins ACG case‐mix system, specifically  the ADGs that were shown to be predictive of drug use and expenditures in an AMI population  in Chapter 3.(112)     I employed the methodology developed by the ECuity group, which is now widely used  in health equity research.(79) Within this framework, inequality in the days of use of each of my  dependent variables was measured using concentration curves and concentration indexes. The  concentration index is defined with reference to the concentration curve, which graphs the  cumulative percentage of the sample ranked by income on the x‐axis, and the cumulative  percentage of the dependent variable of interest corresponding to each cumulative percentage  of the distribution of the income variable on the y‐axis. Figure 4 provides an example of a        88    concentration curve. The extent of deviation from the diagonal line represents the deviation of  the distribution from equality.  The concentration index is defined as twice the area between  the concentration curve and the line of equality (the diagonal line). In the case where there is  no income‐related inequality, the concentration curve lies directly overtop the line of equality  and the concentration index is zero. The index takes a negative value when the curve lies above  the line of equality, which in my case would indicate a disproportionate concentration of days  of therapy on secondary preventive medicines among those with low incomes, and the index  takes a positive value when it lies below the line of equality indicating a disproportionate use of  secondary medicines among those with high incomes.(124‐126) I used the concentration index  to measure the degree of inequality in days of use of each medicine.            89      Figure 4: Example of a concentration curve of medicine use    While the concentration index was used to measure inequality in days of use of these  medicines, this inequality does not represent inequity. To measure the degree of income‐ related inequity, I needed to remove the legitimate or need‐determined inequality from the  concentration index. I calculated an index of income‐related inequity by removing the        90    inequality that could be explained by differences in need for these medicines and recalculating  the concentration index.  To do this, I first sex‐stratified and then calculated the need‐expected  distribution of days of therapy by running a linear regression for all people in the sample on the  full set of explanatory variables. I used linear regression since the inequity indices obtained are  virtually identical to those obtained when using more sophisticated nonlinear models.(127,128)  Need for each of the medicines was then defined as a person’s expected days of therapy based  on their need characteristics (the ADGs, and 5‐year age bands), after neutralizing the effect of  the other variables. Thus, it indicates the days of medicine that the person would have been  taking had that person been treated the same, on average, as others with the same need  characteristics. I calculated my income‐related inequity index using these need‐based expected  days of therapy. Thus, the income‐related inequity index can be thought of as a concentration  index of inequality in need‐standardized use, and it represents inequity rather than simply  inequality because legitimate or need‐determined inequality has been accounted for.   Estimates of both the concentration index measuring overall inequality and the income‐ related inequity index and their standard errors were calculated by running a linear convenient  regression of the dependent variable on relative rank in the income distribution. When the  income‐related inequity index equals zero, it indicates that people in equal need are being  treated equally and there is no inequity. When the index is positive, it indicates that there is  inequity in which those at the higher end of the income distribution are receiving more days of        91    therapy, and when it is negative, it indicates that those at the lower end of the income  distribution are receiving more days of therapy. Income‐related inequity indices that were  significantly different from zero would suggest that those in equal need were not being treated  equally and would constitute empirical evidence of inequity in the use of medicines.   Because I employed a pre‐post analysis, I calculated the concentration index of overall  inequality and the income‐related inequity index in days of therapy both before and after the  move to income‐based pharmacare. Since there was no reason to believe that need for  medicines would influence the number of prescriptions a patient filled for these medicines  (once days of therapy were accounted for) or spending on pharmacist dispensing fees, I did not  calculate income‐related inequity indices for these variables.    5.3 Results  After excluding patients who used none of the three recommended medicines after  AMI, my sample included 24,593 patients (Table 15). Across all income quintiles, AMI patients  were more likely to be men; however, the difference increases with increasing income with  women representing only 19.6% of medicine users in the fifth income quintile. As in Chapter 4,  this is likely a result of the fact that female AMI patients tend to be older and thus less likely to  be earning employment income than male AMI patients. Those in the highest income quintiles  were younger and slightly more likely to live in urban areas than those in the lowest income  quintiles. Health status, as measured by the mean number of ADGs, was lower among those in        92    the lowest income quintiles. It should be noted, that for all sex‐stratified analyses, sex‐stratified  income quintiles were used, so there were equal numbers of women in each income quintile  and my results were not affected by the sex‐differences across income quintiles.  Table 15: Distribution of study variables among AMI patients who used medicines in the 120  days post‐discharge by income quintile    Income quintiles  Variable  (%)  1 (n=4,919)  2 (n=4,919)  3 (n=4,918)  4 (n=4,919)  5 (n=4,918)  Gender                   Male  54.6  61.4  65.5  74.6  80.4        Female  45.4  38.6  34.5  25.4  19.6  Age, yrs                 40 to 49  9.0  7.2  7.7  8.7  14.2       50 to 59  19.2  14.5  15.8  21.4  33.9       60 to 69  25.2  24.0  25.7  28.4  24.7       70 to 79  23.9  30.9  32.3  27.9  18.3       80 to 89  18.6  20.8  16.4  12.4  8.2       90 to 99  4.1  2.6  2.1  1.2  0.6  Residence                  Urban  75.4  70.4  71.0  76.2  77.8        Rural  24.6  29.6  29.0  23.8  22.2  General Health  Status            Mean ADGs  7.36  7.10  7.01  6.84  6.57    Of those patients, 18,103 filled a prescription for an ACE‐inhibitor, 20,147 for a beta‐ blocker, 18,833 for a statin, and 11,924 filled a prescription for all three medicines in the 120  days post‐discharge for AMI.  Table 16 outlines the mean days of therapy on each of the  evidence‐based medicines of interest in the 120 days post AMI before and after the move to  income‐based pharmacare. Days of medicine dispensed increased with increasing income for        93    ACE‐inhibitors, beta‐blockers, statins, and all three medicines before the move to income‐based  pharmacare. There were several significant differences across income quintiles with the  patients in the highest income quintile receiving significantly more days of ACE‐inhibitors, beta‐ blockers and statins than the patients in the first 2 income quintiles. After income‐based  pharmacare, the association between increasing income and increasing days of therapy became  increasingly significant with those in the highest income quintile receiving more days of therapy  on ACE‐inhibitors, beta‐blockers and statins than those in the first 3 deciles, and even four  deciles in the case of ACE‐inhibitors and beta‐blockers. There were fewer significant differences  among patients using all three medicines.             94      Table 16: Mean days of therapy on evidence‐based therapies in the 120 days post‐discharge  among users of each medicine by income quintile     ACE‐inhibitors   (95% CI)  Beta‐blockers   (95% CI)  Statins   (95% CI)  All three   (95% CI)  Before income‐based pharmacare  No. of users  10,064  11,068  9,907  5,919  Quintile 1  101.1 (99.8, 102.3)  101.5 (100.4, 102.8)  100.6 (99.4, 101.9)  307.7 (304.1, 311.4)  Quintile 2  101.2 (100.1, 102.3)  101.6 (100.5, 102.6)  100.8 (99.6, 101.9)  305.9 (302.6, 309.3)  Quintile 3  101.9 (100.9, 103.1)  101.2 (100.2, 102.2)  102.0 (101.0, 102.9)  311.3 (308.5, 314.1)  Quintile 4  102.2 (101.1, 103.2)  102.8 (101.8, 103.7)  103.0 (102.0, 103.9)  312.4 (309.6, 315.1)  Quintile 5  104.1 (103.2, 105.1)  103.0 (102.3, 103.1)  103.4 (102.4, 104.3)  313.8 (311.1, 316.5)  After income‐based pharmacare  No. of users  8,039  9,079  8,926  6,005  Quintile 1  100.2 (98.9, 101.4)  102.4 (101.4, 103.6)  101.7  (100.6, 102.9)  308.8 (305.6, 312.1)  Quintile 2  99.6 (98.2, 101.0)  101.2 (99.9, 102.5)  100.8 (99.5, 102.2)  304.2 (300.2, 308.2)  Quintile 3  99.7 (98.3, 101.2)  103.2 (102.0, 104.4)  102.8 (101.6, 103.9)  311.2 (307.8, 314.6)  Quintile 4  101.0 (99.8, 102.4)  104.2 (103.1, 1.50)  103.5 (102.4, 104.5)  312.8 (309.8, 315.8)  Quintile 5  103.9 (102.8, 105.0)  105.4 (104.6, 1.6.7)  105.1 (104.1, 106.0)  316.9 (314.2, 319.5)    Table 17 illustrates the mean number of prescriptions dispensed in the 120 days post‐ discharge from hospital for first AMI. Both before and after the policy change there was a  negative income gradient in the mean number of prescriptions filled for ACE‐inhibitors, beta‐ blockers, statins, and all three medicines. Individuals of lower income were filling significantly  more prescriptions for ACE‐inhibitors, beta‐blockers, statins and all three medicines than those  in the highest income quintile both before and after the move to income‐based pharmacare.  However, as illustrated in Table 16, they were receiving fewer days of therapy than their higher        95    income counterparts. This negative income gradient became more pronounced after the move  to income‐based pharmacare.   Table 17: Mean number of prescriptions for evidence‐based therapies in the 120 days post‐ discharge among users of each medicine by income quintile       ACE‐inhibitors   (95% CI)  Beta‐blockers   (95% CI)  Statins   (95% CI)  All three   (95% CI)  Before income‐based pharmacare  No. of users  10,064  11,068  9,907  5,919  Quintile 1  2.68 (2.51, 2.85)  2.61 (2.46, 2.76)  2.42 (2.29, 2.56)  7.81 (7.26, 8.36)  Quintile 2  2.42 (2.32,2.50)  2.35 (2.26, 2.44)  2.32 (2.22, 2.42)  7.20 (6.85, 7.54)  Quintile 3  2.35 (2.26, 2.44)  2.27 (2.19, 2.35)  2.17 (2.10, 2.25)  6.89 (6.63, 7.18)  Quintile 4  2.33 (2.24, 2.41)  2.25 (2.17, 2.33)  2.18 (2.11, 2.25)  6.85 (6.79, 7.34)  Quintile 5  2.31 (2.23, 2.39)  2.17 (2.11, 2.23)  2.15 (2.09, 2.20)  6.75 (6.62, 7.09)  After income‐based pharmacare  No. of users  8,039  9,079  8,926  6,005  Quintile 1  3.61 (3.39, 3.82)  3.66 (3.49, 3.83)  3.37 (3.22, 3.53)  10.56 (10.00, 11.12)  Quintile 2  3.15 (2.96, 3.33)  3.25 (3.07, 3.43)  3.10 (2.93, 3.27)  9.89 (9.23, 10.53)  Quintile 3  2.89 (2.74, 3.04)  3.10 (2.91, 3.22)  2.92 (2.77, 3.06)  9.05 (8.56, 9.55)  Quintile 4  2.80 (2.65, 2.95)  2.91 (2.77, 3.05)  2.74 (2.61, 2.87)  8.87 (8.34, 9.37)  Quintile 5  2.60 (2.51, 2.69)  2.58 (2.49, 2.66)  2.50 (2.43, 2.58)  7.92 (7.65, 8.20)    Table 18 illustrates the mean pharmacist dispensing fees paid in the 120 days post‐ discharge from hospital for first AMI. As pharmacist dispensing fees are paid each time a  prescription is filled and lower income patients were filling a higher mean number of  prescriptions, it is not surprising that there was also a negative income gradient in mean  pharmacist dispensing fees both before and after the policy change. Individuals of lower  income were spending significantly more on pharmacist dispensing fees for ACE‐inhibitors,  beta‐blockers, statins and all three medicines than those in the highest income quintile both        96    before and after the move to income‐based pharmacare. Again, this negative income gradient  became more pronounced after the move to income‐based pharmacare.  Table 18: Mean pharmacist dispensing fees for evidence‐based therapies in the 120 days  post‐discharge among users of each medicine by income quintile     ACE‐inhibitors   (95% CI)  Beta‐blockers   (95% CI)  Statins   (95% CI)  All three   (95% CI)  Before income‐based pharmacare  No. of users  10,064  11,068  9,907  5,919  Quintile 1  19.42 (18.05, 20.79)  18.96 (17.71, 20.20)  17.59 (16.46, 18.72)  57.05 (52.39, 61.70)  Quintile 2  16.99 (16.21, 17.78)  16.50 (15.77, 17.24)  16.36 (15.56, 17.16)  50.83 (48.05, 53.62)  Quintile 3  16.89 (16.13, 17.64)  16.17 (15.52, 16.81)  15.42 (14.82, 16.03)  49.54 (47.27, 51.82)  Quintile 4  16.51 (15.80, 17.22)  15.88 (15.24, 16.51)  15.29 (14.74, 15.85)  50.24 (47.90, 52.58)  Quintile 5  16.72 (16.11, 17.32)  15.53 (15.03, 16.02)  15.39 (14.91, 15.87)  49.72 (47.76, 51.67)  After income‐based pharmacare  No. of users  8,039  9,079  8,926  6,005  Quintile 1  30.00 (28.16, 31.83)  30.47 (29.01, 31.93)  27.91 (26.56, 29.26)  87.27 (82.43, 92.12)  Quintile 2  26.24 (24.62, 27.87)  27.19 (25.61, 28.76)  25.86 (24.36, 27.36)  82.41 (76.72, 88.10)  Quintile 3  24.00 (22.70, 25.30)  25.49 (24.12, 26.87)  24.21 (22.93, 25.49)  75.09 (70.80, 79.38)  Quintile 4  23.27 (21.92, 24.81)  24.25 (22.94, 25.56)  22.78 (21.56, 24.00)  73.83 (68.85, 78.81)  Quintile 5  21.74 (20.93, 22.55)  21.29 (20387, 22.42) 20.96 (20.28, 21.64)  66.32 (63.82, 68.82)    Table 19 shows the concentration index of inequality (the unadjusted concentration  index) and the index of income‐related inequity (the need‐standardized concentration index)  for the days of therapy received for each medicine and all three medicines. Concentration  indices that were significant at the 0.05 level are bolded. Before the move to income‐based  pharmacare the indices of inequality were positive and significant for days of therapy on ACE‐ inhibitors, statins and all three medicines among men, suggesting that high‐income men were  receiving more days of therapy than lower‐income men. There were no significant        97    concentration indices of inequality for women, and the index for beta‐blockers was negative in  sign (although not statistically significant). After adjusting for differences in need, the indices of  income‐related inequity became larger for men although the changes were only at the third  decimal. This is consistent with the higher burden of comorbidity among the lower income  populations (as illustrated in Table 15 by sum of ADGs).  After the move to income‐based pharmacare, all of the indices of inequality and  income‐related inequity were significant and positive revealing that all high‐income patients  (men and women) had a disproportionate share of the total days of therapy for all of the  evidence‐based medicines. After adjusting for differences in need, the differences between the  inequality and the income‐related inequity index were negligible or the indices became slightly  closer to zero. All of the indices became increasingly positive in all cases after the move to  income‐based pharmacare, suggesting an increasingly pro‐rich distribution of days of therapy  after first AMI.                   98    Table 19: Inequality and income‐related inequity in days of use of each medicine and all three  medicines in the 120 days post‐discharge among users of each medicine    ACE‐inhibitors  (n=18,103)  Beta‐blockers  (n=20,147)  Statins  (n=18,833)  All three  (n=11,924)    Men  Women  Men  Women  Men  Women  Men  Women  Before income‐based pharmacare  Inequality  0.007  0.008  0.003  ‐0.002  0.010  0.006  0.007  0.006  95% CI  (0.002,  0.013)  (‐0.000,  0.017)  (‐0.003,  0.008)  (‐0.009,  0.006)  (0.004,  0.015)  (‐0.002,  0.014)  (0.002,  0.013)  (‐0.003,  0.014)  Income‐ related  inequity  0.008  0.009  0.004  ‐0.001  0.012  0.006  0.008  0.007  95% CI  (0.002,  0.014)  (0.000,  0.018)  (‐0.001,  0.009)  (‐0.009,  0.007)  (0.006,  0.017)  (‐0.003,  0.014)  (0.003,  0.014)  (‐0.002,  0.015)  After income‐based pharmacare  Inequality  0.012  0.014  0.008  0.014  0.014  0.011  0.011  0.013   95% CI  (0.006,  0.018)  (0.004,  0.024)  (0.003,  0.014)  (0.006,  0.022)  (0.009,  0.019)  (0.003,  0.020)  (0.006,  0.017)  (0.005,  0.022)  Income‐ related  inequity  0.011  0.011  0.008  0.011  0.014  0.010  0.011  0.012  95%CI  (0.005,  0.018)  (0.001,  0.021)  (0.002,  0.013)  (0.003,  0.020)  (0.009,  0.020)  (0.001,  0.018)  (0.006,  0.017)  0.003,  0.020)    5.4 Discussion   My results reveal that higher income men received more days of therapy on secondary  preventive medicines before income‐based pharmacare, and both higher‐income men and  women received more days of therapy than lower income men and women after the move to  income‐based pharmacare. Under income‐based pharmacare we found a pro‐rich distribution  in the use of ACE‐inhibitors, beta‐blockers and statins, medicines known to be effective in  preventing a secondary coronary event or death.(26‐28) Previous research has illustrated that        99    there is inequity in the use of specialist services in Canada and British Columbia favoring those  of high incomes.(20,129) Our results suggest that the inequity in the distribution in days of  therapy for ACE‐inhibitors, beta‐blockers and statins was comparable to the inequity in use of  specialist services in B.C. I have reported income‐related inequity indices in days of therapy of  secondary prevention following AMI ranging between 0.008 and 0.014 while the income‐ related inequity index of access to specialist care in B.C. in 2002 was 0.011.(20) We also found  that despite receiving fewer days of therapy, lower‐income patients were filling a larger mean  number of prescriptions and thus spending more on professional fees than higher income  patients. This suggests that individuals of lower income were filling prescriptions for fewer days  of medicine, returning to the pharmacy more often, and potentially missing some days of  therapy between refills—perhaps because they did not have enough disposable income to have  one long prescription dispensed. This represents a source of extra costs for low‐income patients  who were already using less of these medicines than higher‐income patients.   My results also suggest that days of therapy became more inequitable following the  move to income‐based pharmacare, as most of the concentration indices indicated a more pro‐ rich distribution of days of therapy after the policy change. These findings indicate that not only  were individuals of low income less likely to initiate on these evidence‐based  pharmacotherapies (as reported in Chapter 4), but even among those who did initiate, lower  income patients received fewer days of therapy. These results are consistent with the larger        100    body of literature, also cited in Chapter 4, indicating that Canadians of lower SES are less likely  to receive certain cardiac procedures following AMI, such as cardiac catheterization and  coronary angiography.(102‐104,130)  As reported in Chapter 4, there are some limitations associated with my use of  administrative data. Again, I was likely unable to exclude all patients with contraindications to  these therapies. Having said that, I would not expect contraindications to exhibit an income  gradient, and thus this would not have affected my main findings. Again, the PharmaNet  dataset imposes some limitations including the inability to capture ASA because it is often filled  over‐the‐counter in B.C. Also, PharmaNet only captures filled prescriptions, which are an  underestimate of written prescriptions and an overestimate of used prescriptions. For example,  I would have counted a patient who filled a long prescription for one of the medicines of  interest (e.g. 365 days) as having used 120 days of the medicine even if they stopped treatment  due to intolerance or side effects.   Also, while a patient who is dispensed 60 days of medicine during the 120 days post‐ discharge may have been pill‐splitting for cost reasons, it is also possible that their physician  advised them to pill split for clinically appropriate reasons. Thus they were actually using 120  days of therapy, while I classified them as using 60 days of therapy. However, I would not  expect that lower income patients would be advised to pill split for clinically appropriate  reasons more often than high‐income AMI patients, and thus a relationship between pill        101    splitting and income would still constitute an inequity, especially after accounting for  differences in need. Finally, while my methods are ideal for illuminating income‐related  inequities in access to various forms of health care,(124‐126,129) there is no statistical test to  determine whether this relationship significantly changed following the policy change. Having  said that, these methods are designed to be comparative and have frequently been employed  in cross‐country and cross‐time comparisons.(20,124,129,131)   The results from chapter 4 in conjunction with the results in this chapter make clear that  there are important access barriers to low‐income AMI patients in B.C. While the policy change  in B.C. seems not to have significantly exacerbated these access barriers, it certainly did not  improve access for low‐income AMI patients. Given that lower SES patients with cardiovascular  disease have been found to be at increased risk of rehospitalization and mortality in several  developed countries,(132‐138) it is important to ensure that AMI patients without  contraindications use the medicines that have been shown to be effective in preventing a  second cardiac event and death. This suggests that coverage needs to be extended for low‐ income AMI patients to ensure that they initiate on these medicines and that, once initiated,  they receive similar levels of days of therapy as their higher‐income counterparts. My finding  that low‐income AMI patients were filling a larger number of mean prescriptions and thus  paying more in professional fees than their higher‐income counterparts also deserves some  policy consideration. This was likely because lower income patients had less disposable income        102    and thus could not afford to fill longer scripts. As a result of their limited disposable income,  they faced an extra financial burden. Expanding public coverage of medicines in this subgroup  could also eliminate this extra source of inequity, and potentially improve the days of therapy  that low‐income patients receive.           103    6 The redistributive effect of the move from age­based to income­based  prescription drug coverage in British Columbia, Canada4  6.1 Introduction  Although Canadians have universal public health insurance for hospital and physician  services, prescription drugs used outside of acute care hospital settings are financed using a mix  of private and public sources. The major public sources of prescription drug financing are  provincially administered drug benefit programs, which have historically provided coverage for  seniors (those over age 65) and the poor with small or no copayments or annual deductibles.  Collectively, government‐financed provincial drug benefit programs account for about 40% of  all spending on prescription drugs in Canada.(7) During the last decade, the total cost of  prescription drugs has grown at a much faster rate than expenditures on physicians or  hospitals; provincial governments have therefore come under increasing pressure to stem the  growth in drug benefit program costs.(4,5,139) In May 2003, the provincial government in  British Columbia substantially altered its drug benefit program in an effort to reduce public                                                             4 A version of Chapter 6 has been published. Hanley GE, Morgan S, Barer M, Reid RJ. The redistributive effect of the  move from age‐based to income‐based prescription drug coverage in British Columbia, Canada. Health Policy  2011;101:185‐194.        104    spending on prescription medicines while also increasing the fairness with which public  subsidies were allocated.(6)    Leaving aside the possible effects on the use of health care services, policy changes that  substantially alter the way health care is financed can play an important role in redistributing  income in a population.(71,72,74) While targeting coverage to those at the lower end of the  income distribution may seem like an attractive policy option, by altering both the vertical and  horizontal equity of the financing system there may be important consequences of this  targeted coverage on the overall income distribution in the covered population. Vertical equity  refers to collecting different amounts of a tax or a payment according to a household’s ability‐ to‐pay.  Health care financing systems are viewed as being vertically equitable when individuals  of higher incomes contribute higher shares of their income to finance health care than  individuals with lower incomes. In countries with universal health insurance financed largely  through income taxes (which are generally designed to be vertically equitable), the health care  financing system itself can measurably decrease overall income inequality.(71) On the other  hand, if an otherwise vertically equitable system of financing engenders horizontal inequity  through differential treatment of individuals with equal incomes, the overall redistributive  effect of the financing system is reduced.(72) Horizontal equity in health care payments refers  to the concept that households of equal abilities‐to‐pay should contribute equal amounts to        105    finance health care, in other words, equals should be treated equally.  When assessing systems  of financing health care, both vertical and horizontal equity considerations are important.  Several authors have studied the vertical and horizontal equity of whole health system  financing(71,72,140); however, the distributive effects of prescription drug financing have been  less thoroughly examined.  The 2003 changes in the rules governing drug cost subsidies in B.C.,  in conjunction with the rich prescription drug use/cost databases available, provide an  opportunity to assess the impact of such a policy change on equity within and across age  groups before and after the policy change, thus shedding light on the potential consequences of  policies that target subsidies by income. While vertical equity in the financing system before  and after the introduction of Fair Pharmacare has been studied,(17,18) the overall  redistributive effect, the effect of both vertical and horizontal equity, has received no attention.  This is an important omission. In this chapter, we explored the redistributive impact of  prescription drug financing before and after the introduction of the income‐based pharmacare  program in B.C.   6.2 Income­based public drug benefits in B.C.  The specific details of the policy change are outlined in Chapter 1.2. However, it is  important to note that income‐based pharmacare noticeably changed the pattern of public  drug subsidies in B.C., largely by decreasing the share of total drug costs that were paid for  publicly for both seniors and non‐seniors. In 2001 seniors and non‐seniors had 74% and 35% of        106    their total drug costs covered publicly, respectively. By 2004 this had decreased to 55% and  34%.(18) Thus the policy change was accompanied by a general decrease in the public share of  drug expenditures.   6.3 Methods  6.3.1 Data sources and variable construction  Given that we were interested in performing a redistributive analysis of payments for  prescription drugs following the ability‐to‐pay principle of equity, we needed household‐level  data on all payments that were used to finance prescription drugs. We were interested solely in  the redistributive effect of financing prescription drugs and not in the redistributive effect of  who receives which subsidies, as we wanted to know what happens to income distributions as a  result of the policy change. Since prescription drugs were partially publicly financed, we needed  to account for the payments that ultimately financed the public portion of prescription drugs  including income taxes, consumption taxes, and Medical Services Plan (MSP) Premiums  (essentially a poll tax on all B.C. residents). We also needed to account for private payments  made at the household level including payments made for private insurance premiums and out‐ of‐pocket payments.   To do this we drew on de‐identified linked administrative data describing prescription  drug use and costs; household income; demographic information; and household composition  for calendar years 2001 (pre‐income‐based pharmacare) and 2004 (post‐income‐based        107    pharmacare). The datasets covered all residents of B.C. with the exception of those whose  health care is under federal jurisdiction: registered First Nations, members of the Royal  Canadian Mounted Police, veterans, and federal inmates (approximately 4% of the population  of B.C. in total).  In order to ensure complete data capture for those in our study, we further  restricted our analysis to households for which at least one member resided in B.C. for at least  275 days during each of 2001 and 2004 (approximately 90% of the population). Data were used  with permission of the B.C. Ministry of Health Services and the B.C. College of Pharmacists.  Ethics approval was obtained from the Behavioural Research Ethics Board at the University of  British Columbia.    Household income and composition Two variables were used to measure household income.  We used the income value for the households that had registered for the Fair PharmaCare  program (described in detail in section 2.6). However, owing to the voluntary nature of  registration for the program, this variable was only available for just over 80% of households.  For all those not registered for Fair Pharmacare, we used the average household income in the  household’s corresponding neighbourhood obtained from 2002 tax returns (described in detail  in section 2.7.1). Age and household size were obtained from the Population Data BC’s  Consolidation file (described in detail in section 2.2) and were used to determine MSP  premiums and the households with seniors born on or before December 31st, 1939.(82)        108    Public payments There were no taxes in B.C. that were earmarked for health care, including the  Medical Services Premium. All taxation sources entered general government revenues, which  were then used to finance the portion of prescription drug spending that were covered publicly.  We adjusted the tax payments according to the percentage of general revenues that we  estimated went directly towards payments for prescription drugs (approximately 5.8% of  general revenues).   We estimated federal and provincial personal income tax rates using data from Statistics  Canada Tax Filer data (described in detail in section 2.7.1). We calculated MSP premiums for  each household using the published premium schedule for the given year of study (described in  section 2.8).(90) Changes to the MSP premium schedule occurred on May 1, 2002, and were  taken into account. We performed sensitivity analyses holding the MSP premiums constant to  determine the extent to which the change in MSP premiums affected our results.  We used  Statistics Canada’s social policy simulation database and model (SPSD/M)—a microsimulation‐ modeling program based on anonymized tax return data—to produce estimates of  consumption taxes for different household income groups (described in detail in section 2.7.2).  All of our tax estimates were validated against the aggregate revenue figures available in B.C.  Private payments Prescription drug data were obtained from PharmaNet, described in detail in  section 2.5. We extracted information on the annual total cost of the prescriptions filled by  each member of the household, including the amount that was subsidized by B.C.’s Fair        109    PharmaCare. In each of the study years, private payments for prescription drugs were  calculated as the household’s total annual expenditures minus the amount subsidized by the  public pharmacare program.  The PharmaNet claims database did not contain information on whether a patient’s  private expenditure for medicines was paid out‐of‐pocket or by a private insurer. We inferred  the presence of private insurance based on whether the employer of any individual within a  given household paid the household’s MSP premiums on their behalf – an indicator of  employment‐related health benefits that almost always includes prescription drug  coverage.(83) Research suggests that 99% of private drug plans in Canada are reasonably  generous with annual deductibles of approximately $100 per family member.(3) Thus, we  recreated such a plan assuming that individuals/households whose MSP premiums were  subsidized paid no more than $100 out‐of‐pocket for each family member. We then used the  remaining private payments that would have been covered by private insurance to calculate  actuarially fair annual insurance premiums. Individuals/households who paid their own MSP  premiums were assumed to have no private insurance and thus to have paid 100% of their  private payments as out‐of‐pocket payments.   6.3.2 Statistical analysis  We performed a pre‐post examination of the redistributive effect of the B.C. income‐ based pharmacare policy with 2001 as the pre policy year and 2004 as the post policy year. We        110    also illustrated changes in vertical equity and horizontal equity between the two years. For  households with residents born before 1940, we present figures to illustrate the amount  contributed through public sources, estimated insurance premiums, and estimated out‐of‐ pocket payments across the income distribution (vertical equity), and within two groups of  income equivalents, those with incomes between $30,000 and $35,000 and $50,000 to $55,000  (horizontal equity).  We restricted this analysis to senior households because the policy change  had the most significant financial implications for those born in 1939 or earlier.   To measure the policy’s overall redistributive effect on prescription drug financing, we  compared the Gini coefficient (a commonly used measure of income inequality) of household  incomes prior to households making prescription drug‐related payments with the Gini  coefficients after all prescription drug‐related payments had been made (141). The overall  redistributive effect (RE) of the financing system (either pre or post policy change) was  determined as follows:  ܴܧ ൌ ܩ௫ െ  ܩ௫ି௣  Gx and Gx‐p were the pre‐payment and post‐payment Gini coefficients, respectively, where x  denotes the gross income of the household before tax, and p denotes the total amount of the  payments made to finance prescription drugs through all of the sources outlined above (e.g.  income taxes, MSP premiums, consumption taxes, private insurance premiums and out‐of‐ pocket payments).  Because a Gini coefficient always take values between 0 and 1 and a larger        111    Gini coefficient indicates greater income inequality in a population, a negative RE indicates that  overall income inequality in the population increased as a result of the payments made to  finance prescription drugs.   For example, if there were two households in the province, one with high income and  one with low income, and the high income household paid a smaller share of their total  household income in payments to finance prescription drugs than the lower income household  (perhaps because the high‐income household uses no prescription drugs and thus contributes  $0 in the form of private payments), income inequality would increase in a pro‐rich way (the  rich household would hold an even larger share of the cumulative income in the province  following payments for prescription drugs). If the opposite were true and the lower income  household contributed a smaller share of their household income than the higher income  household (perhaps because prescription drugs are financed entirely through a progressive  taxation system, which by its nature requires that higher income households pay a larger share  of their income in the form of income tax), then the lower income household would hold a  larger share of the cumulative income in the province after making payments for prescription  drugs than it did prior to making payments and the overall income inequality in the province  would decrease (this would be pro‐poor). We use a common language throughout this  manuscript referring to negative RE, which increases income inequality, as pro‐rich and positive  RE, which decreases income‐inequality, as pro‐poor. To compare the overall redistributive        112    effect before and after the move to income‐based pharmacare in B.C., we compared the RE in  2001 with the RE in 2004.   RE can also be written in terms of vertical redistribution (V), horizontal inequity (H), and  the degree of reranking incomes (R)—defined as individuals changing ranks in the income  distribution because of payments made to finance prescription drugs (141):                            ܴܧ ൌ ܸ െ ܪ െ ܴ      To compute the different components of RE, we created groups of pre‐payment equals  by defining pre‐payment income intervals and attributing all households within the interval the  mean interval income, xj. Vertical redistribution was then computed as:  ܸ ൌ ݃1 െ ݃ ሺܭሻ  where g is the population’s average payment rate (as a proportion of income), and K is the  Kakwani index of payments computed under the assumption of within‐group equality (that all  households in the same pre‐defined income intervals pay the same amount—in other words  that the payments are entirely horizontally equitable). The Kakwani index is commonly used in  the health care financing literature and measures the extent to which a source of finance  departs from proportionality.(71,142) A positive value of both V and K would be considered  pro‐poor as it indicates a progressive financing source in which those with higher incomes pay a        113    higher share of their household income than those with lower incomes. A negative value  indicates a regressive financing source and would be considered pro‐rich.   This decomposition of the overall redistributive effect is helpful insofar as it can be used  to examine the relative redistributive effect that horizontal inequity generates. As suggested by  van Doorslaer and colleagues,(71) this can be done by comparing the redistributive effect due  to horizontal inequity and reranking with the redistributive effect due to vertical equity, each  expressed as a percentage of total redistributive effect:  ோா RE ൌ ௏ ோா െ ሺுାோሻ ோா  , which can also be written as   ௏ ோா ൌ ܸଵ଴଴ ൌ 1 ൅ ሺுାோሻ ோா   This latter measure, referred to as V100, indicates how much more (or less) redistributive  a source of financing would have been in the absence of horizontal inequity and reranking. For  example, a value of 110 indicates that the financing source in question would have been 10%  more redistributive in the absence of horizontal inequity.  Thus, the ideal value for V100 to take  is 100 and the further the value is from 100, the more horizontal inequity there is in the  financing source.     We performed sensitivity analyses to ensure our results were not significantly altered by  some of our decisions and assumptions. First, we examined our use of neighbourhood income  for households who had not registered for the income‐based public drug coverage program by  rerunning the analyses using only those with valid household‐level incomes.  Second, we        114    examined private payments without disaggregating into estimates of private insurance and out‐ of‐pocket payments. Since the PharmaNet database provided information on the total cost of  each prescription and the total amount that was paid publicly (by the pharmacare program), we  were able to accurately calculate the amount that was paid privately.  We analyzed the  redistributive effect of private payments as a whole in order to assess whether our methods of  disaggregating private payments into private insurance and out‐of‐pocket payments  significantly affected our results. Since this does not influence our results regarding the overall  redistributive effect, we present the results only for private payments.  We also performed two policy simulations in an attempt to disentangle the effects of  changes occurring during the same time period from the effects of the policy itself.  The first  policy scenario identified the impact of the cut in the drug budget that accompanied the  introduction of income‐based public drug benefits by examining what would have happened to  the redistributive effect if the share of public drug coverage remained at 2001 levels (74% of  seniors’ drug costs and 35% of non seniors’ drug costs). Second, we examined the effects of  changes in the distribution of age, income, and use of medicines on the redistributive effect by  applying the income‐based pharmacare financing structure to the 2001 population to clarify the  effect of the policy change on redistribution.        115    6.4 Results  Figures 5 and 6 illustrate the vertical and horizontal equity of the different sources of  payment for prescription drug financing for senior households. Figure 5 shows increasing  contributions with increasing income for all payment sources (out‐of‐pocket, private insurance  and public payments). Due to the progressive nature of the provincial and federal income taxes  included in the public payments, public payments increased most steeply with increasing  income. Figure 5 illustrates that there was little change to the total public payments and private  insurance premiums between 2001 and 2004. Out‐of‐pocket payments grew between 2001 and  2004, particularly for those seniors with higher incomes.  This suggests that the vertical equity  of the program improved as a result of the switch to Fair Pharmacare.                             116    Figure 5: Vertical equity: Mean payments for prescription drugs (by source of payment) by  senior households ranked by increasing income, 2001 and 2004.      Figure 6 illustrates horizontal equity principles by examining the payments made by two  groups of income equivalents ($30,000‐ $35,000 and $50,000‐ $55,000) ranked from lowest to  highest total prescription drug spending.  Both private insurance premiums and public  payments were relatively constant for all of these senior households, suggesting these  payments sources were horizontally equitable.  However, there was evidence of a lack of  horizontal equity in the out‐of‐pocket payments for prescription drugs. Households who were  income equivalents were paying very different amounts towards prescription drugs out‐of‐       117    pocket. In both groups the gradient in out‐of‐pocket payments became steeper in 2004,  indicating that horizontal equity increased between 2001 and 2004.            118    Figure 6: Horizontal equity: Mean payments for prescription drugs (by source of payment) by  seniors households with incomes between $30,000 and $35,000(A) and $50,000 and $55,000(B)  ranked by increasing total drug costs          119    6.4.1 Redistributive effect  Table 20 and Table 21 present the overall redistributive effect, the vertical  redistribution, (including the Kakwani index (K) and average share of income made to each  payment source (g)) and the modifying effect of horizontal inequity and reranking (V100) for the  entire population of senior households and non‐senior households, respectively.    Seniors Total payments for prescription drugs by seniors increased overall income inequality in  B.C. in a pro‐rich manner.  This negative redistribution became even more pro‐rich between  2001 and 2004 (‐0.0014 to ‐0.0017). This was largely due to the redistributive effect of out‐of‐ pocket payments for prescription drugs, which became increasingly negative after the policy  change most likely because of the doubling of the share of out‐of‐pocket payments by seniors  after the policy change (g increased from 0.0059 to 0.0109).(17) The redistributive effect of  private insurance and total public payments remained stable over time.   Table 20 also illustrates that vertical redistribution is clearly influenced by both  progressivity (K) and the share of payments made by each payment source (g). While out‐of‐ pocket payments for prescription drugs became less regressive after the policy change (K  moved from ‐0.2591 to ‐0.1441), because the average shares of household income spent out‐ of‐pocket nearly doubled, there was no positive impact of the reduced regressivity in out‐of‐ pocket payments on vertical redistribution. The same is true for private insurance premiums: g  became larger while K became less regressive, resulting in a slightly pro‐rich V after the policy        120    change.  Largely due to the changes in out‐of‐pocket payments, the vertical redistribution of all  sources of payment for prescription drugs became slightly more pro‐rich between 2001 and  2004, redistributing more income from low‐ to high‐income senior households (V=‐0.0011to  V=‐0.0012).   The value of 77.4 for the modifying effect of horizontal inequity and reranking in 2001  suggests that the pro‐rich redistribution resulting from all payments for prescription drugs  would have been 22.6% lower in the absence of differential treatment of equals (both  horizontal inequity and reranking). This increased to 27.6% by 2004, indicating that differential  treatment of equals increased during this time period. In both 2001 and 2004, differential  treatment in total public payments reduced the actual pro‐poor redistributive effect below its  potential by 24.5% and 27.6%, respectively (V100=124.5 & 127.6). Not surprisingly, there was  also a relatively large gap between actual (V100) and baseline redistributive effect (100%) for  out‐of‐pocket payments and private insurance. The horizontal inequity and reranking  component of the redistributive effect of out‐of‐pocket payments was sizeable in 2004 and  larger than in 2001. In 2004, the amount of pro‐rich income redistribution would have been  only 80.3% of its actual level in the absence of variation in these payments at each income  level.            121      Table 20: Senior households: Decomposition of the total redistributive effect of prescription  drug financing, 2001 and 2004    Total payments  Total public  payments  Out‐of‐pocket  Private insurance    2001  2004  2001  2004  2001  2004  2001  2004  Redistributive  effect (RE)  ‐0.0014  ‐0.0017  0.0004  0.0004  ‐0.0018  ‐0.0020  ‐0.0001  ‐0.0001  Vertical  redistribution  (V)  ‐0.0011  ‐0.0012  0.0005  0.0005  ‐0.0015  ‐0.0016  0.0000  ‐0.0001  Modifying  effect of  horizontal  equity and  reranking  (V100)  77.4  72.4  124.5  127.6  86.9  80.3  63.3  65.5  Avg share of  payment (g)  0.0221  0.0274  0.0153  0.0154  0.0059  0.0109  0.0001  0.0011  Kakwani index  of  progressivity  (K)  ‐0.0475  ‐0.0426  0.0349  0.0310  ‐0.2591  ‐0.1441  ‐0.0643  ‐0.0629    Non‐seniors Total payments towards prescription drug financing made by non‐senior  households also increased income inequality in both 2001 and 2004 (Table 21). The overall  redistributive effect of prescription drug financing for non‐seniors was pro‐rich in 2001 (RE=‐ 0.0020) and in 2004 (RE=‐0.0021).  However, the redistributive effect for most payment sources  became only slightly more negative—indicating pro‐rich income redistribution—for non‐senior        122    households and the overall redistributive effect of total public payments for prescription drugs  remained stable (RE=‐0.0004 in 2001 and 2004).    The vertical redistribution of public payments for prescription drugs was slightly pro‐rich  (increasing income inequality) in both 2001 and 2004 and remained stable across both years.  The pro‐rich value for vertical redistribution in total public payments resulted from the  regressive nature of consumption taxes and MSP premiums for non‐senior households. Out‐of‐ pocket payments for prescription drugs became slightly less regressive after the policy change  (K=‐0.3247 in 2001 and K=‐0.2813 in 2004); however, the share of out‐of‐pocket payments also  increased, resulting in little change to the overall vertical redistribution effects of out‐of‐pocket  payments. Vertical redistribution for all payments for prescription drugs became slightly more  pro‐rich after the policy change, largely reflecting the increased reliance on out‐of‐pocket  payments for non‐senior households after the move to income‐based drug benefits.   The modifying effect of horizontal inequity and reranking (V100) were smaller for non‐ senior households than senior households, indicating less differential treatment of non‐senior  households. Most sources of financing, including total public payments, out‐of‐pocket  payments and private insurance would have been about 5% less redistributive in the absence of  differential treatment of income equivalents.  All sources of payment suggest that differential  treatment increased between 2001 and 2004.           123    Table 21: Non‐senior households: Decomposition of the total redistributive effect of  prescription drug financing, 2001 and 2004    Total payments  Total public  payments  Out‐of‐pocket  Private insurance    2001  2004  2001  2004  2001  2004  2001  2004  Redistributive  effect (RE)  ‐0.0020  ‐0.0021  ‐0.0004  ‐0.0004  ‐0.0013  ‐0.0014  ‐0.0002  ‐0.0003  Vertical  redistribution  (V)  ‐0.0019  ‐0.0020  ‐0.0004  ‐0.0004  ‐0.0013  ‐0.0013  ‐0.0002  ‐0.0003  Modifying  effect of  horizontal  inequity and  reranking   (V100)  97.0  95.6  95.5  94.4  95.8  93.8  96.2  96.1  Avg share of  payment (g)  0.0124  0.0139  0.0068  0.0068  0.0040  0.0046  0.0016  0.0018  Kakwani index  of progressivity  (K)  ‐0.1518  ‐0.1411  ‐0.0573  ‐0.0596  ‐0.3247  ‐0.2813  ‐0.1356  ‐0.1373    6.4.2 Sensitivity analyses and policy simulations  The sensitivity analysis examining the effect of including households with missing  household‐level income data by imputing their neighbourhood level income revealed no  changes in the results. Results were robust at the fourth decimal place to the exclusion of  households without household‐level income data, and so we have not presented these results.  Results from the policy simulation examining the effects of changes in the distribution of age,  income, and use of medicines on the redistributive effect also revealed no significant  differences in results, again with changes occurring mostly at the fourth decimal place, and thus  we have also not presented these results.         124    Table 22 illustrates the results examining private payments without disaggregating into  estimates of private insurance premiums and out‐of‐pocket payments, as well as the results  from the policy simulation examining what would have happened had the 2004 program  continued to provide the same level of public drug coverage as had been provided in 2001. The  results from the analysis of private payments were consistent with the findings presented after  disaggregating into private insurance premiums and out‐of‐pocket payments. They reveal that  private payments for prescription drugs became less regressive after the policy change for  seniors (K=‐0.1736 in 2001 and K=‐0.0359 in 2004) and non‐seniors (K=‐0.1931 in 2001 and K=‐ 0.1134 in 2004); however, the share of private payments also increased, resulting in a decrease  in the overall RE for seniors and a very slight decrease for non‐seniors. With respect to the  policy simulation examining the 2001 level of public subsidy allocated according to the income‐ based pharmacare program in place in 2004, we found that the RE under such a scenario  became substantially less pro‐rich at ‐0.0006 for seniors; however, there was little change for  non‐seniors (RE=‐0.0019).               125    Table 22: Results of the sensitivity analyses and policy simulations    Examining private payments alone without  disaggregating into private insurance and out‐of‐ pocket payments  Policy simulation of  2001 level of public  subsidy under 2004  pharmacare program    2001  2004  2004  Senior households    Redistributive  effect (RE)  ‐0.0012  ‐0.0017  ‐0.0006  Vertical  redistribution (V)  ‐0.0006  ‐0.0014  ‐0.0002  Modifying effect  of horizontal  inequity and  reranking  (V100)  82.12  72.56  156.1  Avg share of  payment (g)  0.0080  0.0173  0.0221  Kakwani index of  progressivity (K)  ‐0.1736  ‐0.0359  ‐0.0880  Non seniors households     Redistributive  effect (RE)  ‐0.0014  ‐0.0015  ‐0.0019  Vertical  redistribution (V)  ‐0.0013  ‐0.0011  ‐0.0018  Modifying effect  of horizontal  inequity and  reranking  (V100)  91.93  83.38  91.40  Avg share of  payment (g)  0.0068  0.0100  0.0240  Kakwani index of  progressivity (K)  ‐0.1931  ‐0.1134  ‐0.0733          126    6.5 Discussion  In this paper, we report the first study of the total redistributive effect of prescription  drug financing associated with the transition from age‐based to income‐based  pharmacare.(17,18) Our population‐based study found that the policy change had negative  implications for income inequality in the province. However, we also found that the policy  could have reduced income inequality as compared to the 2001 levels had it not been  accompanied by a significant decrease in the level of public funding for prescription drugs. We  found that the redistributive effect for seniors would have become nearly income neutral had  public subsidies remained at 74% for all seniors’ drug spending. The effect for non‐seniors was  not large, which is in line with the fact that non‐seniors’ total share of public drug spending only  changed by one percentage point between the two years (moving from 35% to in 2001 to 34%  in 2004).   In 2004, the overall redistributive effect of prescription drug financing in B.C. was  comparable (though expectedly smaller given our focus only on prescription drugs) to that seen  for the German health care system (German HC system RE=‐0.0062).(71) Germany’s negative  RE is largely due to the contribution ceilings in their sickness funds and the fact that high  earners can opt for exclusion from those funds.  In B.C., the pro‐rich redistribution resulted  primarily from the effect of out‐of‐pocket payments. Out‐of‐pocket payments for health care  generally increase income inequality as they are more closely tied with need for health care        127    than ability‐to‐pay; however, in countries with positive redistributive effects (where health care  financing reduces income inequality and is thus pro‐poor), out‐of‐pocket payments for the  entire health care system have generally been reported to have smaller negative values than  what we have seen for prescription drug financing in B.C. in 2004 (Sweden OOP RE=‐ 0.0010).(140) This is likely true because out‐of‐pocket payments represented a significantly  larger share of prescription drug financing in B.C. than for Sweden. Results examining the  redistribution of physician and hospital financing in Canada have also suggested that the  financing of this care is roughly proportional;(143) however, the difference between this and  what we have presented regarding prescription drug financing can again be explained by the  fact that there is little to no out‐of‐pocket payment for physician and hospital services in  Canada.   While our previous research (17,18) had suggested that the policy had been effective in  decreasing the regressivity of prescription drug financing in B.C. (making it less pro‐rich), and  would have furthered the goal of financial equity had it been accompanied by an increased  commitment to public financing, our current findings are slightly less optimistic. The overall  effect of the policy change was to increase income inequality in the province—largely as a  result of the considerable horizontal inequity introduced by the increased reliance on private  financing. However, again we find that had the policy been accompanied by a similar        128    commitment to public financing as was the case in 2001, the redistributive effect for seniors  would have been nearly income neutral.   There are important limitations to this work. Our lack of accurate information on private  insurance introduced some error into our estimates. Although strong ties between employment  and private prescription drug insurance coverage in British Columbia suggest that our proxy of  private insurance is reasonable, further study of the availability, cost, and redistributive impacts  of private financing is needed.(3) One particular reason for requiring better information on  private insurance is that the presence of private insurance in B.C. may have mitigated the  modifying effects of horizontal inequity and reranking. The use of income‐based annual  deductibles imposed considerable private cost on persons with moderate incomes but poor  health. Our data suggested that many of these people in working‐age households had access to  private insurance and were therefore protected from the horizontal inequity and reranking that  would have resulted if they had paid such costs entirely out‐of‐pocket.    The methods themselves also leave some questions unanswered. For example, our  estimates of the modifying effects of horizontal inequity and reranking (V100) did not reveal  anything about the causal factors that produce the discrepancies between actual and potential  maximum redistributive effects—unpacking these reasons would require further research.  Finally, the pre‐post research design we have employed means that we could not attribute all  of the change in the redistributive effect of prescription drug financing to the policy change        129    alone. For example, the MSP premium schedule changed in 2002.  However, the MSP schedule  was the only other significant change to prescription drug financing in the time period analyzed,  and we performed sensitivity analyses holding the schedule constant and found our results  were robust. Our simulation that examined the effects of changes in the distribution of age,  income, and use of medicines on the redistributive effect also revealed no significant  differences, suggesting that underlying population changes between 2001 and 2004 were not  responsible for our results. Given these results and the fact that the move to income‐based  pharmacare was the only substantial change in the financing structure of prescription drugs  between the two time periods, we are reasonably confident that our results reflect changes  that can be attributed to the policy.   6.6 Conclusions  We report what we consider to be an unintended consequence of the move to income‐ based pharmacare—an increase in income inequality in B.C. resulting from payments made for  prescription drugs. However, it is important to keep the redistributive effect of prescription  drug financing in perspective. It is small compared to the redistributive effect of health care  financing more generally, and very small compared to the redistributive effect of personal  income taxes.(71) That being said, our work here clearly establishes that policy choices about  the distribution of financial burden for prescription drugs have an impact on more than just  access to medicines. The move from an age‐based to an income‐based pharmacare program in        130    B.C. did have an impact on income distribution in the province, resulting in increased income  inequality.  This finding is worth consideration as countries and jurisdictions consider  prescription drug policy alternatives.             131    7 Conclusion  7.1 Summary and contributions   The objectives of this thesis were to: 1) determine the degree of income‐related  inequity in use of evidence‐based pharmacotherapies before and after the introduction of  income‐based pharmacare in a population who had suffered their first AMI; 2) validate the use  of the Johns Hopkins case‐mix adjusters in prescription drug research to determine whether  they accurately predict drug expenditure and use with the goal of determining whether I could  use them to adjust for differences in underlying health status among the subpopulation of AMI  patients; and, 3) determine the redistributive effect of the move to income‐based pharmacare  on the overall distribution of income in B.C.   I was able to show that the Johns Hopkins case‐mix adjusters are useful in predicting  prescription drug use and expenditure. After using these case‐mix adjusters to account for  differences in health status, I illustrated that the policy change in B.C. appeared not to have had  a large effect on access to medicines in a cohort of patients who had suffered a first AMI, but  that there was a clear and positive income gradient, pre‐ and post‐policy change, in receipt of  cardiovascular medicines following AMI in B.C. Finally, I illustrated that the move to income‐ based pharmacare resulted in increasing income inequality in the province, another clear  departure from the equity principles expressed by Canadians, that health care ought to be        132    financed independently of the need for or use of services, and should be financed in a  progressive way.   These findings represent significant contributions to our understanding of contemporary  Canadian pharmaceutical policy and are timely in light of the fact that policy makers, both  nationally and internationally, are considering alternative ways of financing and reimbursing  prescription drugs. Provincial and federal policy makers have been voicing an interest in  income‐based catastrophic drug coverage (a maximum private payment limit policy where the  limit is based on household income) since 2004.(144) The evidence in this thesis should be  informative to decision makers wrestling with these sorts of funding decisions.   I have organized this concluding chapter to answer three questions. First, what were the  key findings and contributions of this thesis? I will briefly summarize the findings and  contributions of the research chapters of my thesis (Chapters 3‐6). Second, what were the main  strengths and limitations of the research presented in this thesis? Third, what are the  recommendations for policy, practice and future research that follow from this thesis?  7.1.1 Adjusted clinical groups case­mix system as predictors of prescription drug  use and expenditure  While many past studies have examined the use of the ACG case‐mix system in  predicting use of physician and hospital services, very few studies have examined the utility of  the ACG case‐mix system in predicting prescription drug use and expenditures. In Chapter 3, I        133    validated the use of ACG case‐mix adjusters in prescription drug research and showed that they  are useful for predicting prescription drug expenditures and use, and offer a substantial  improvement over the Charlson index, as well as age and sex alone. My co‐authors and I found  that there were high correlations between the observed and the model’s predicted values for  the general population, showing that they are good predictors overall. I also found that they  generated mean predictive ratios within 4% of the actual costs when examining groups of  patients with acute myocardial infarction, asthma, depression and diabetes, suggesting that  they are useful among these patient subgroups as well. Illustrating that the ACG system is  useful in predicting expenditures among the AMI patient subgroup was of significant  importance as I was then able to use the ACG case‐mix adjusters to adjust for underlying  differences in health status for the analyses examining prescription drug use following AMI.  This was the first study, to my knowledge, to examine the ACG case‐mix system in an  entire population. Because I had access to existing administrative datasets comprised of  routinely collected diagnostic information, I was able to examine a census of the B.C.  population. As a result, my study population was much more diverse, in terms of prescription  drug coverage, age and health status than the populations that have been studied in the US and  other countries.(53,67) This manuscript also offered methodological contributions in the area.  Previous analyses had used linear regression to explain and predict prescription drug  expenditure, reporting R2 statistics as a measure of the predictive power of the models. This        134    ignores the fact that healthcare cost data are rarely normally distributed—they are instead  often left censored (in the sense that total expenditures for many individuals are zero) and have  a long right‐skewed tail caused by the small number of very high cost users. This means that the  assumptions underpinning linear regression models are violated. I found no previous work in  the area that attempted alternative modeling techniques to address this issue. Thus, my work  also contributed to overall healthcare costing research by improving upon the methods  commonly used in this literature.   7.1.2 Income­related inequity in use of medicines among first­time AMI patients in  B.C.  While previous research studies had examined the implications of B.C.’s move to  income‐based pharmacare on costs, access to prescription drugs, and the distribution of  financial burden (as reviewed in section 1.3), no previous work had examined whether access to  prescription drugs was differentially affected across the income distribution. Thus I examined  whether the principles of equal treatment for equal needs had been met among first‐time  acute myocardial infarction patients before and after income‐based pharmacare in B.C.  (chapters 4 and 5). My results offered empirical evidence of income‐related inequity in both  initiations on and, among those who initiated, days of therapy on evidence‐based medicines in  the 120 days following discharge from hospital. My results suggested that income‐related        135    inequity in days of therapy of secondary preventive medicines was comparable to that  previously reported for access to specialist services in B.C. and Canada.(20,129)  These findings illustrate a clear and important disjunction between the principles of  equal treatment for equal need in Canadian health care, and what is actually happening on the  ground with first‐time AMI patients. First‐time AMI survivors are at increased risk of death and  these medicines have all been shown to reduce the risk of death and reinfarction among those  who have experienced an AMI.(26‐28) My results suggest that income was a determinant of  receipt of these therapies in British Columbia. They also suggest that the move to income‐based  pharmacare did not improve the income‐related inequities in access to medicines, and may  have slightly exacerbated them. While there were no statistically significant differences in  initiation on ACE‐inhibitors, beta‐blockers and statins following income‐based pharmacare, and  there are no available methods to test the statistical significance of the increase in the income‐ related inequity indices reported for days of therapy, my results clearly reveal that income‐ based pharmacare did not achieve its stated goal of increasing fairness.(6) Had the policy  succeeded in improving equity in access to medicines, we would have seen a decreased income  gradient in initiation on secondary preventive therapy and income‐related inequity indices  moving closer to 0 following the policy change. Instead I reported a consistent gradient in  initiation and larger income‐related inequity indices in days of therapy received, clearly  illustrating that the policy moved farther away, rather than towards, a more equitable system.        136     My results revealing an income gradient both before and after the policy change might  imply that cost sharing may not be the only income‐related barrier to receiving these evidence‐ based medicines. For example, it is possible that low‐income AMI patients were less likely than  higher income AMI patients to be fully aware of the importance of adhering to their secondary  preventive therapies. As some previous research has suggested that there is a positive income  gradient in the use of specialist services in B.C.,(131) it is also possible that low‐income AMI  patients were less likely to see a cardiologist than high‐income AMI patients. Given that use of,  and adherence to, secondary preventive therapies is higher among patients of cardiologists,  this could also potentially explain some of my income‐related inequity findings.(109) Finding  income‐related inequity both before and after the move to income‐based pharmacare may also  indicate that even very small copayments, such as the professional fees that patients were  required to pay before the move to income‐based pharmacare, represent a large enough  barrier to discourage initiation and use among those of lower incomes. Previous research,  illustrating that even very small copayments often represent access barriers among vulnerable  populations, supports this finding.(29,33,120,145‐149)    While my study is not the first to find income gradients in the use of these secondary  preventive medicines,(105,115,116) it is the first to show this gradient in Canada. While  previous Canadian research has provided evidence of a socioeconomic gradient in cardiac        137    catheterization and coronary angiography following acute myocardial infarction in Canada,(102‐ 104) no Canadian study has previously examined income‐related inequities in medicine use.   7.1.3 The redistributive effect of the policy change on overall income distribution in  B.C.  While our previous research had examined the vertical equity implications of the move  to income‐based pharmacare in B.C., no attention had been paid to the issue of horizontal  equity. Given that significant amounts of horizontal inequity can result in increased income  inequality even in cases where vertical equity has been achieved, I felt it was necessary to  examine the overall effect of the policy change on income distribution in the province. I found  that the financing changes resulting from the move to income‐based pharmacare increased  overall income inequality B.C. My results suggest that, primarily as a result of the increased out‐ of‐pocket payments, the policy had the effect of redistributing income in a pro‐rich manner.  While the overall redistributive effect of physician and hospital financing in Canada is roughly  proportional,(142) my results revealed that the overall redistributive effect of prescription drug  financing in B.C. was comparably inequitable (though expectedly smaller given our focus only  on prescription drugs) to that seen for the German health care system.(71) The inequity in  Germany results from the contribution ceilings in German sickness funds and because high  earners can opt for exclusion from those funds.  Thus, this analysis confirms that our previous  research that had suggested that the policy decreased the regressivity of prescription drug        138    financing in B.C.,(18) was presenting an incomplete picture of the financial consequences of the  move to income‐based pharmacare.  The results presented in Chapter 6 underscore the  importance of examining horizontal equity as well as vertical equity when attempting to get a  clear understanding of financial equity.   My research here illustrates that the policy did not meet its stated goals of improving  financial equity, and is not consistent with how Canadians define equity in their health care  system. Similar to my findings regarding access to medicines following discharge for first AMI,  the introduction of income‐based pharmacare increased inequity rather than improving it. As  outlined in Chapter 1 of my thesis, there is a commitment to financial equity that appears in the  legislative and policy history of health care in Canada. There are two principles of equity in  finance that appear regularly in historical documents and debates. The first is the separation of  health care financing from the use of health care services. There is a long record of  commitment to this principle.(20) The second principle of equity emerges clearly in the  Romanow report released in 2002, and it articulates that Canadians are committed to a  progressive system of health care financing, in which Canadians of higher income contribute  proportionately more than lower income Canadians.(21) A truly progressive system, in which  contributions to pharmaceutical financing from all sources were proportionately lower for  lower income Canadians, would decrease overall income inequality in the province. Thus, my  results show that income‐based pharmacare in B.C. is at odds with both of these principles.        139    While prescription drugs currently fall outside the sectors of the health care system that are  covered under medicare (limited to medically necessary physician and hospital services), it  seems unlikely that Canadians feel that the equity principles that they apply to other health  care services should not apply to prescription drugs. This question, as well as the clear  divergence of prescription drug financing from the equity principles applied to other health  services, deserve some attention in future policy debates.  7.2 Strengths and limitations  Each of the research chapters (Chapters 3 to 6) includes a discussion of the strengths  and limitations associated with the methodological approaches and data used therein. Here I  will highlight the strengths and limitations of the thesis as a whole. One of the main strengths  of this thesis work is that I was able to access data on the entire population of B.C. I was able to  validate the use of the ACG case‐mix adjusters in the entire population of permanent B.C.  residents. In Chapters 4 and 5, I was able to examine income‐related inequity and the effects of  the move to income‐based pharmacare in a census of AMI patients in B.C. who met my study  criteria, while in Chapter 6 I examined the implications of the policy change on income  inequality in a census of B.C. households in both 2001 and 2004. The ability to analyze the  census of the population eliminates many potential sources of selection bias and ensures that  my results are generalizable to the entire B.C. population.        140    Another important strength of this work was my ability to access a high quality  individual‐level measure of income. Because of this high quality variable (described in detail in  section 2.6) I was able to examine income‐related inequities in access to medicines among the  AMI patient population with a high degree of confidence in my income classification. For many  forms of equity research it is enough to know the relative position of a household in the income  distribution. This is not true of the redistributive analysis performed in Chapter 6. The research  in Chapter 6 would not have been possible without a valid and reliable income value for each  household.   Previous validation work has suggested that even high‐quality neighbourhood level  income information is likely to result in some misclassification,(89) suggesting that my access to  income information at the individual/family level allowed a much more precise estimate than I  would have obtained had I used neighbourhood incomes alone. While I did decide to  supplement missing individual‐level income with high quality neighbourhood income for the  less than 20% of individuals or households who were not registered for Fair PharmaCare, I  performed sensitivity analyses in all cases that revealed that this decision did not substantially  alter my results.   While the use of administrative data allowed me to examine a census of the B.C.  population, it also introduced some limitations common to the use of such sources of data.  Some transcription and other minor errors are inevitable, and the loss of some subjects due to        141    missing information is unavoidable. However, these data sources have been shown to have  good validity and completeness.(85) A more important limitation involves my frequent inability  to detect statistically significant changes in income‐related inequity following the move to  income‐based pharmacare. My objectives to measure equity in access to evidence‐based  medicines following AMI as well as the equity component of examining the redistributive effect  of prescription drug financing before and after pharmacare forced me to choose between the  methods that would best exemplify the income‐related inequities, on the one hand, and the  methods that are ideal for analyzing changes following an intervention such as the move to  income‐based pharmacare, on the other.   Ideally to examine changes that could, with a high degree of confidence, be attributed  to the policy change, one would use quasi‐experimental methods such as an interrupted time  series analysis. However, interrupted time series methods are not ideal for detecting income‐ related inequities, and thus were not suitable for my specific research objectives in this thesis.  Instead, I chose methods that were more appropriate for such purposes. The result is that they  are less appropriate for detecting small statistically significant changes resulting from the move  to income‐based pharmacare making it possible that I might have missed some subtle  differences before and after the move to income‐based pharmacare. However, the methods I  chose are capable of detecting large (policy‐significant) changes had they occurred at the time  of the policy change. Thus, I am confident that I chose the appropriate methods for my research        142    objectives and did not miss any policy‐relevant changes in the equity consequences of the  policy change.  7.3 Recommendations  While each of the research chapters (Chapters 3‐6) provides some policy  recommendations that are specific to each of the study findings, there are several  recommendations that are worth highlighting due to the cumulative evidence across all studies.  My findings, coupled with other evidence regarding the move to income‐based pharmacare in  B.C., highlight the need for medicines policies that will facilitate access to essential medicines  among all patients who would benefit from their use. While my results suggest that the move  to income‐based pharmacare did not increase barriers to ACE‐inhibitors, beta‐blockers and  statins among the AMI cohort, it also did not facilitate access. Low‐income AMI patients  continue to be less likely to initiate evidence‐based prescription drug treatment, and, among  those who initiated, they continue to receive less evidence‐based therapy than their higher  income counterparts.   My results suggest that income‐based pharmacare, as it was implemented in B.C., is  unlikely to meet the equity principles articulated by Canadians with respect to health care  financing. Both the Romanow Commission and the Kirby Senate Standing Committee on  Science and Technology reported that Canadians had articulated views of equity in health care  financing that were aligned with progressive financing structures.  For example, the Romanow        143    report stated that “Canadians want necessary hospital and physician services to be fully funded  through our taxes”.(21) Although there were some significant differences between the  conclusions of the two reports, similar sentiments were echoed in the Kirby committee report  articulating that “the evidence available shows that equity is best served when health care is  funded through personal income taxation or consumption taxes, rather than through payroll  taxes or fixed premiums”(22). While consumption taxes are not often progressive sources of  financing, a health care system financed solely by the combination of consumption and  personal income taxes would be a progressive financing system,(18) with only minimal  horizontal inequity. Such a system would ultimately decrease income inequality by requiring  greater contributions from those at the higher end of the income distribution than those at the  lower end of the income distribution while maintaining low levels of horizontal inequity (as only  consumption taxes would engender some horizontal inequity). Thus, policy makers committed  to achieving these equity principles ought to consider alternative forms of prescription drug  financing, as the income‐based pharmacare program implemented in B.C. does not meet these  objectives. Including prescription drugs in the universally covered services in Canadian  medicare would be a first step toward meeting these equity principles.(143)  I would also recommend that steps be taken to increase physicians’ awareness of how  their prescribing might influence their lower‐income patients’ willingness to use medicines.  Because I cannot determine how many prescriptions were written but not filled among lower‐       144    income AMI patients, my work cannot get at the possible direct impact of physician interaction  with patients who have had a first AMI. However, the results strongly suggest that an increased  level of attention to prescribing and advising lower‐income AMI patients could have beneficial  effects on the health of those patients. Physicians with increased awareness of the lowest‐cost  therapies in each therapeutic category could prescribe accordingly. They may also choose to  spend more time counseling lower‐income patients about the benefits of secondary prevention  to ensure that they both initiate and comply with evidence‐based prescription drug treatment.   My recommendations for future research are to further examine what might be the  direct cause of the gradient between income and use of medicines after AMI. While it is  possible, and even likely given prior evidence around the effect of small copayments in  vulnerable populations, that even the small copayments required prior to the move to income‐ base pharmacare represented enough of a financial barrier to discourage use among low‐ income AMI patients, there are also plausible alternative explanations as outlined in section  7.1.2. Research findings of an income gradient in procedures covered by medicare in Canada,  such as cardiac catheterization and coronary angiography, support the hypothesis that there  may be alternate forces at play.(102‐104) I hypothesize that while the copayments do play an  important role, there are a combination of factors contributing to the income gradient in  medicine use post AMI.         145    It would also be useful to examine income‐related inequities in other sub‐populations to  determine whether this income‐related inequity is present more generally. While we chose the  AMI population because their prescription drug needs are very similar and the evidence‐based  guidelines are clear regarding the medicines that should be used for secondary prevention, it  would be possible to conduct a similar analysis among a cohort of diabetic or asthmatic  patients.   Finally, all of the conclusions I have drawn pertain to the particular form of income‐ based pharmacare implemented in B.C. Thus, some research should be done to examine  whether changing the specific deductibles, coinsurance and maximum private payment limits,  would change the equity implications of the program. Simulation research examining changes  to each of these components of the program, or possibly changes to the program that involve  100% coverage for therapies among patient populations where the evidence clearly suggests  that therapy is safe and effective (such as AMI and diabetes patients) could help policy makers  determine whether a version of income‐based pharmacare could be equitable or less  inequitable. While it is unlikely that tweaking income‐based pharmacare could eliminate the  horizontal inequity present in the program, it is possible that changes to the program that  substantially improved the vertical equity of the program, accompanied by increased public  financing of prescription drugs, could begin to compensate for the inevitable horizontal  inequity.        146    7.4 Conclusions  This thesis illustrates some of the equity implications of income‐based pharmacare  policies. The policy makers responsible for income‐based pharmacare in B.C. are on record that  increased fairness was one of the policy’s primary goals, suggesting that the new program  would improve equity by more closely linking payments for prescription drug use to household  income, improving access to medicines by removing income‐related barriers.(6) My results  suggest that this goal was not met by income‐based pharmacare. Income‐related inequities in  access to medicines were not improved among AMI patients and overall income inequality in  the province increased following the change in prescription drug financing. If we, as a province  or a nation, are truly interested in pursuing equitable prescription drug policy, it is likely to  require a renewed commitment to public financing of prescription drugs in order to remove any  financial barriers to accessing medicines and the considerable horizontal inequity that results  when sick people are forced to spend large amounts of money privately financing their  medicines.                     147    References  (1) Health Canada. Canada Health Act: Annual report 2008‐2009. 2010;Report No.:091118.   (2) Morgan SG, Barer ML, Agnew JD. Whither seniors' PharmaCare: Lessons from (and for)  Canada. Health Aff 2003;22(3):49‐59.   (3) Kapur V, Basu K. Drug coverage in Canada: who is at risk? Health Policy 2005;71(2):181‐193.   (4) IMS Health. Retail Prescriptions Grow at Record Level in 2003. 2004.   (5) Canadian Institute for Health Information. Drug expenditure in Canada: 1985 to 2009. 2010.   (6) Morgan S, Coombes M. Income‐based drug coverage in British Columbia: Towards an  understanding of the policy. Healthcare Policy 2006;2(2):92‐108.   (7) Canadian Institute for Health Information. Drug Expenditure in Canada 1985 to 2005. 2006.   (8) Dormuth CR, Glynn RJ, Neumann P, Maclure M, Brookhart AM, Schneeweiss S. Impact of  two sequential drug cost‐sharing policies on the use of inhaled medications in older patients  with chronic obstructive pulmonary disease or asthma. Clin Ther 2006;28(6):964‐978.   (9) Wang PS, Patrick AR, Dormuth CR, Avorn J, Maclure M, Canning CF, et al. The impact of cost  sharing on antidepressant use among older adults in British Columbia. Psychiatr Serv  2008;59(4):377‐383.   (10) Schneeweiss S, Patrick AR, Maclure M, Dormuth CR, Glynn RJ. Adherence to statin therapy  under drug cost sharing in patients with and without acute myocardial infarction: a population‐ based natural experiment. Circulation 2007;115(16):2128‐2135.   (11) Schneeweiss S, Patrick AR, Maclure M, Dormuth CR, Glynn RJ. Adherence to beta‐blocker  therapy under drug cost‐sharing in patients with and without acute myocardial infarction. Am J  Manag Care 2007;13(8):445‐452.   (12) Caetano P, Raymond C, Morgan S, Yan L. Income‐based drug coverage in British Columbia:  The impact on access to medicines. Healthcare Policy 2006;2(2):online supplement.         148    (13) Dormuth CR, Neumann P, Maclure M, Glynn RJ, Schneeweiss S. Effects of prescription  coinsurance and income‐based deductibles on net health plan spending for older users of  inhaled medications. Med Care 2009;47(5):508‐516.   (14) Dormuth CR, Maclure M, Glynn RJ, Neumann P, Brookhart AM, Schneeweiss S. Emergency  hospital admissions after income‐based deductibles and prescription copayments in older users  of inhaled medications. Clin Ther 2008;30(Spec No):1038‐1050.   (15) Wang PS, Patrick AR, Dormuth C, Maclure M, Avorn J, Canning CF, et al. Impact of drug cost  sharing on service use and adverse clinical outcomes in elderly receiving antidepressants. J  Ment Health Policy Econ 2010;13(1):37‐44.   (16) Morgan S, Yan L. Income‐based drug coverage in British Columbia: the impact on private  and public expenditures. Healthcare Policy 2006;2(2):online supplement.   (17) Hanley GE, Morgan S, Yan L. Income‐based drug coverage in British Columbia: the impact  on the distribution of financial burden. Healthcare Policy 2006;2(2):online supplement.   (18) Hanley GE, Morgan S, Hurley J, van Doorslaer E. Distributional consequences of the  transition from age‐based to income‐based prescription drug coverage in British Columbia,  Canada. Health Econ 2008;17(12):1379‐1392.   (19) Morgan S, Evans RG, Hanley GE, Caetano PA, Black C. Income‐based drug coverage in  British Columbia: Lessons for BC and the rest of Canada. Healthcare Policy 2006;2(2):115‐127.   (20) McGrail KM. Equity in Health, Health Care Services Use and Health Care Financing in British  Columbia, 1992 and 2002 [PhD thesis]. University of British Columbia; 2006.   (21) Romanow RJ. Final Report: Building on values: the future of health care in Canada. 2002.   (22) Canada Parliament Senate Standing Committee on Social Affairs. The Health of Canadians:  The federal role Volume 6: Recommendations for Reform. 2002.   (23) Hurst J. The reform of health care: a comparative analysis of seven OECD countries. Paris:  Organization for Economic Cooperation and Development; 1992.   (24) Wagstaff A, Van Doorslaer E. Equity in the finance of health care: some international  comparisons. J Health Econ 1992;11(4):361‐387.         149    (25) Antman EM, Hand M, Armstrong PW, Bates ER, Green LA, Halasyamani LK, et al. 2007  Focused update of the ACC/AHA 2004 guidelines for the management of patients with ST‐ elevation myocardial infarction: A report of the American College of Cardiology/American Heart  Association Task Force on Practice Guidelines: Developed in collaboration with the Canadian  Cardiovascular Society endorsed by the American Academy of Family Physicians: 2007 Writing  group to review new evidence and update the ACC/AHA 2004 guidelines for the management  of patients with ST‐elevation myocardial infarction, writing on behalf of the 2004 writing  committee. Circulation 2008;117(2):296‐329.   (26) Flather MD, Yusuf S, Køber L, Pfeffer M, Hall A, Murray G, et al. Long‐term ACE‐inhibitor  therapy in patients with heart failure or left‐ventricular dysfunction: a systematic overview of  data from individual patients. The Lancet 2000;355(9215):1575‐1581.   (27) Freemantle N, Cleland J, Young P, Mason J, Harrison J. Beta blockade after myocardial  infarction: systematic review and meta regression analysis. BMJ 1999;318(7200):1730‐1737.   (28) LaRosa JC, He J, Vupputuri S. Effects of statins on risk of coronary disease: a meta‐analysis  of randomized controlled trials. JAMA 1999;282:2340‐2346.   (29) Austvoll‐Dahlgren A, Aaserud M, Vist GE, Ramsay C, Oxman AD, Sturm H, et al.  Pharmaceutical policies: effects of cap and co‐payment on rational drug use. Cochrane  Database Syst Rev 2008;1(1):1‐127.   (30) Newhouse JP. Free for all?: lessons from the RAND health insurance experiment.  Cambridge, MA: Harvard Univ Pr; 1993.   (31) Blais L, Boucher JM, Couture J, Rahme E, LeLorier J. Impact of a cost‐sharing drug insurance  plan on drug utilization among older people. J Am Geriatr Soc 2001;49(4):410‐414.   (32) Blais L, Couture J, Rahme E, LeLorier J. Impact of a cost sharing drug insurance plan on drug  utilization among individuals receiving social assistance. Health Policy 2003;64(2):163‐172.   (33) Tamblyn R, Laprise R, Hanley JA, Abrahamowicz M, Scott S, Mayo N, et al. Adverse events  associated with prescription drug cost‐sharing among poor and elderly persons. JAMA  2001;285(4):421‐429.   (34) Starfield B, Weiner J, Mumford L, Steinwachs D. Ambulatory care groups: a categorization  of diagnoses for research and management. Health Serv Res 1991;26(1):53‐74.         150    (35) Weiner JP, Starfield BH, Steinwachs DM, Mumford LM. Development and application of a  population‐oriented measure of ambulatory care case‐mix. Med Care 1991;29(5):452‐472.   (36) Reid RJ, MacWilliam L, Verhulst L, Roos N, Atkinson M. Performance of the ACG case‐mix  system in two Canadian provinces. Med Care 2001;39(1):86‐99.   (37) Reid RJ, Roos NP, MacWilliam L, Frohlich N, Black C. Assessing population health care need  using a claims‐based ACG morbidity measure: a validation analysis in the Province of Manitoba.  Health Serv Res 2002;37(5):1345‐1364.   (38) Ash AS, Ellis RP, Pope GC. Using diagnoses to describe populations and predict costs. Health  Care Financ Rev 2000;21:7‐28.   (39) de Groot V, Beckerman H, Lankhorst GJ, Bouter LM. How to measure comorbidity: A critical  review of available methods. J Clin Epidemiol 2003;56(3):221‐229.   (40) Deyo RA, Cherkin DC, Ciol MA. Adapting a clinical comorbidity index for use with ICD‐9‐CM  administrative databases. J Clin Epidemiol 1992;45(6):613‐619.   (41) Duckett SJ, Agius PA. Performance of diagnosis‐based risk adjustment measures in a  population of sick Australians. Aust N Z J Public Health 2002 Dec;26(6):500‐507.   (42) Iezzoni L, Foley S, Daley J, Hughes J, Fisher E, Heeren T. Comorbidities, complications, and  coding bias: Does the number of diagnosis codes matter in predicting in‐hospital mortality?  JAMA 1992;267(16):2197‐2203.   (43) Leslie RC, Shepherd MD, Simmons SC. Use of a diagnosis‐based risk adjustment model to  estimate costs of indigent care in a community at Medicaid reimbursement rates. J Med Econ  2008;11(4):585‐600.   (44) Petersen LA, Pietz K, Woodard LD, Byrne M. Comparison of the predictive validity of  diagnosis‐based risk adjusters for clinical outcomes. Med Care 2005;43(1):61‐67.   (45) Robst J, Levy JM, Ingber MJ. Diagnosis‐based risk adjustment for Medicare prescription  drug plan payments. Health Care Financ Rev 2007;28(4):15‐30.   (46) World Health Organization. International Classification of Diseases (ICD). Available at: Accessed Aug 9, 2010.         151    (47) Perkins AJ, Kroenke K, Unutzer J, Katon W, Williams JW, Hope C, et al. Common  comorbidity scales were similar in their ability to predict health care costs and mortality. J Clin  Epidemiol 2004;57(10):1040‐1048.   (48) Smith NS, Weiner JP. Applying population‐based case mix adjustment in managed care: the  Johns Hopkins Ambulatory Care Group system. Manag Care Q 1994;2(3):21‐34.   (49) Warner G, Hoenig H, Montez M, Wang F, Rosen A. Evaluating diagnosis‐based risk‐ adjustment methods in a population with spinal cord dysfunction. Arch Phys Med Rehabil  2004;85(2):218‐226.   (50) Rosen AK, Loveland S, Anderson JJ, Rothendler JA, Hankin CS, Rakovski CC, et al. Evaluating  diagnosis‐based case‐mix measures: how well do they apply to the VA population? Med Care  2001;39(7):692‐704.   (51) Juncosa S, Bolibar B, Roset M, Tomas R. Performance of an ambulatory case‐mix  measurement system in primary care in Spain ‐ Ambulatory care groups (ACGs). Eur J Public  Health 1999;9(1):27‐35.   (52) Orueta JF, Lopez‐De‐Munain J, Baez K, Aiarzaguena JM, Aranguren JI, Pedrero E.  Application of the ambulatory care groups in the primary care of a European national health  care system ‐ Does it work? Med Care 1999;37(3):238‐248.   (53) Orueta JF, Urraca J, Berraondo I, Darpon J, Aurrekoetxea JJ. Adjusted Clinical Groups (ACGs)  explain the utilization of primary care in Spain based on information registered in the medical  records: A cross‐sectional study. Health Policy 2006;76(1):38‐48.   (54) Carlsson L, Borjesson U, Edgren L. Patient based 'burden‐of‐illness' in Swedish primary  health care. Applying the Johns Hopkins ACG case‐mix system in a retrospective study of  electronic patient records. Int J Health Plann Manage 2002;17(3):269‐282.   (55) Carlsson L, Strender LE, Fridh G, Nilsson G. Types of morbidity and categories of patients in  a Swedish county. Applying the Johns Hopkins Adjusted Clinical Groups System to encounter  data in primary health care. Scand J Prim Health Care 2004 Sep;22(3):174‐179.   (56) Halling A, Fridh G, Ovhed I. Validating the Johns Hopkins ACG case‐mix system of the  elderly in Swedish primary health care. BMC Public Health 2006;6:171‐177.         152    (57) Bindman AB, Forrest CB, Britt H, Crampton P, Majeed A. Diagnostic scope of and exposure  to primary care physicians in Australia, New Zealand, and the United States: cross sectional  analysis of results from three national surveys. BMJ 2007;334(7606):1261‐1266.   (58) Morgan S, Raymond C, Mooney D, Martin D. The Canadian Rx Atlas. 2008.   (59) Morgan S, Cunningham C, Hanley G, Mooney D. The British Columbia Rx Atlas. 2009.   (60) Fishman PA, Goodman MJ, Hornbrook MC, Meenan RT, Bachman DJ, O'Keeffe Rosetti MC.  Risk adjustment using automated ambulatory pharmacy data: the RxRisk model. Med Care  2003;41(1):84‐99.   (61) Johnson ML, El‐Serag HB, Tran TT, Hartman C, Richardson P, Abraham NS. Adapting the Rx‐ Risk‐V for mortality prediction in outpatient populations. Med Care 2006;44(8):793‐797.   (62) Sloan KL, Sales AE, Liu CF, Fishman P, Nichol P, Suzuki NT, et al. Construction and  characteristics of the RxRisk‐V: a VA‐adapted pharmacy‐based case‐mix instrument. Med Care  2003;41(6):761‐774.   (63) Sales AE, Liu CF, Sloan KL, Malkin J, Fishman PA, Rosen AK, et al. Predicting costs of care  using a pharmacy‐based measure risk adjustment in a veteran population. Med Care  2003;41(6):753‐760.   (64) Prinsze FJ, van Vliet RC. Health‐based risk adjustment: Improving the pharmacy‐based cost  group model by adding diagnostic cost groups. Inquiry 2007;44(4):469‐480.   (65) García‐Goñi M, Ibern P, de Somosaguas C. Predictability of drug expenditures: an  application using morbidity data. Health Econ 2008;17:119‐126.   (66) García‐Goñi M, Ibern P, Inoriza JM. Hybrid risk adjustment for pharmaceutical benefits. Eur  J Health Econ 2009;10(3):299‐308.   (67) Zhao Y, Ash AS, Ellis RP, Ayanian JZ. Predicting pharmacy costs and other medical costs  using diagnoses and drug claims. Med Care 2005;43(1):34‐43.   (68) Wrobel MV, Doshi J, Stuart BC, Briesacher B. Predictability of prescription drug  expenditures for Medicare beneficiaries. Health Care Financ Rev 2003;25(2):37‐46.         153    (69) Aguado A, Guino E, Mukherjee B, Sicras A, Serrat J, Acedo M, et al. Variability in  prescription drug expenditures explained by adjusted clinical groups (ACG) case‐mix: a cross‐ sectional study of patient electronic records in primary care. BMC Health Serv Res 2008;8:53‐ 65.   (70) Buntin MB, Zaslavsky AM. Too much ado about two‐part models and transformation?  Comparing methods of modeling Medicare expenditures. J Health Econ 2004;23(3):525‐542.   (71) Van Doorslaer E, Wagstaff A, Van Der Burg H, Christiansen T, Citoni G, Di Biase R, et al. The  redistributive effect of health care finance in twelve OECD countries. J Health Econ  1999;18(3):291‐313.   (72) Wagstaff A, van Doorslaer E. Progressivity, horizontal equity and reranking in health care  finance: a decomposition analysis for the Netherlands. J Health Econ 1997;16(5):499‐516.   (73) Wagstaff A, Van Doorslaer E, Van Der Burg H, Calonge S, Christiansen T, Citoni G, et al.  Redistributive effect, progressivity and differential tax treatment: Personal income taxes in  twelve OECD countries. J Public Econ 1999;72(1):73‐98.   (74) O'Donnell O, Van Doorslaer E. Analyzing health equity using household survey data: A  guide to techniques and their implementation. Washington, DC: World Bank Institute; 2007.   (75) O'Donnell O, Van Doorslaer E, Rannan‐Eliya RP, Somanathan A, Adhikari SR, Akkazieva B, et  al. Who pays for health care in Asia? J Health Econ 2008;27(2):460‐475.   (76) Wagstaff A. Health systems in East Asia: What can developing countries learn from Japan  and the Asian Tigers? Health Econ 2007;16(5):441‐456.   (77) Wagstaff A, van Doorslaer E, van der Burg H, Calonge S, Christiansen T, Citoni G, et al.  Equity in the finance of health care: Some further international comparisons. J Health Econ  1999;18(3):263‐292.   (78) Rodwin VG, Sandier S. Health care under French national health insurance. Health Aff  1993;12(3):111‐131.   (79) O'Donnell O, van Doorslaer E, Wagstaff A, Lindelow M. Analyzing health equity using  household survey data: a guide to techniques and their implementation. Washington DC: World  Bank Institute; 2008.         154    (80) Cissé B, Luchini S, Moatti JP. Progressivity and horizontal equity in health care finance and  delivery: What about Africa? Health Policy 2007;80(1):51‐68.   (81) Roy K, Howard DH. Equity in out‐of‐pocket payments for hospital care: Evidence from  India. Health Policy 2007;80(2):297‐307.   (82) Population Data BC. Population Data BC website. 2010; Available at: Accessed July 26, 2010.   (83) Canadian Life and Health Insurance Association. Facts and Figures: Life and Health  Insurance in British Columbia. 2009.   (84) The data quality study of the Canadian discharge abstract database. Proceedings of  Statistics Canada Symposium; 2001.   (85) Williams JI, Young W. Inventory of studies on the accuracy of Canadian Health  Administrative databases. 1996.   (86) B.C. Ministry of Health Services. PharmaNet. Available at: Accessed Aug 9, 2010.   (87) WHO Collaborating Centre for Drug Statistics Methodology. ATC Structure and Principles.  2010; Available at: Accessed Aug 9, 2010.   (88) Statistics Canada. Postal Code Conversion File (PCCF), Reference Guide. 2010;Catalogue no.  92‐153‐G(201001):10.   (89) Hanley GE, Morgan S. On the validity of area‐based income measures to proxy household  income. BMC Health Serv Res 2008;8:79‐85.   (90) BC Ministry of Health Services. MSP Premiums. Available at: Accessed May 27, 2010.   (91) Charlson ME, Pompei P, Ales KL, MacKenzie CR. A new method of classifying prognostic  comorbidity in longitudinal studies: development and validation. J Chronic Dis 1987;40(5):373‐ 383.         155    (92) Charlson ME, Charlson RE, Peterson JC, Marinopoulos SS, Briggs WM, Hollenberg JP. The  Charlson comorbidity index is adapted to predict costs of chronic disease in primary care  patients. J Clin Epidemiol 2008;61(12):1234‐1240.   (93) Kieszak SM, Flanders WD, Kosinski AS, Shipp CC, Karp H. A comparison of the Charlson  comorbidity index derived from medical record data and administrative billing data. J Clin  Epidemiol 1999;52(2):137‐142.   (94) Canada Life and Health Insurance Association. Canadian Life and Health Insurance Facts.  2007.   (95) Quan H, Sundararajan V, Halfon P, Andrew Fong B, Burnand B, Luthi JC, et al. Coding  algorithms for defining comorbidities in ICD‐9‐CM and ICD‐10 administrative data. Med Care  2005;43(11):1130‐1139.   (96) Vittinghoff E. Regression Methods In Biostatistics: Linear, Logistic, Survival, and Repeated  Measures Models. : Springer; 2005.   (97) Harrell FE. Regression modeling strategies: With applications to linear models, logistic  regression, and survival analysis. New York: Springer; 2001.   (98) Greene WH. Econometric analysis. New Jersey: Prentice; 2003.   (99) Zheng B, Agresti A. Summarizing the predictive power of a generalized linear model. Stat  Med 2000;19(13):1771‐1781.   (100) Pietz K, Ashton CM, McDonell M, Wray NP. Predicting healthcare costs in a population of  veterans affairs beneficiaries using diagnosis‐based risk adjustment and self‐reported health  status. Med Care 2004;42(10):1027‐1035.   (101) Kozyrskyj A, Lix L, Dahl M, Soodeen R. High‐Cost users of pharmceuticals: Who are they?  2005.   (102) Alter DA, Naylor CD, Austin P, Tu JV. Effects of socioeconomic status on access to invasive  cardiac procedures and on mortality after acute myocardial infarction. N Engl J Med  1999;341(18):1359‐1367.         156    (103) Pilote L, Joseph L, Bélisle P, Penrod J. Universal health insurance coverage does not  eliminate inequities in access to cardiac procedures after acute myocardial infarction. Am Heart  J 2003;146(6):1030‐1037.   (104) Alter DA, Naylor CD, Austin PC, Chan BT, Tu JV. Geography and service supply do not  explain socioeconomic gradients in angiography use after acute myocardial infarction. CMAJ  2003;168(3):261‐264.   (105) Gnavi R, Migliardi A, Demaria M, Petrelli A, Caprioglio A, Costa G. Statins prescribing for  the secondary prevention of ischaemic heart disease in Torino, Italy. A case of ageism and social  inequalities. Eur J Pub Health 2007;17(5):492‐496.   (106) Dalal H, Evans PH, Campbell JL. Recent developments in secondary prevention and cardiac  rehabilitation after acute myocardial infarction. BMJ 2004;328(7441):693‐697.   (107) Smith Jr SC, Allen J, Blair SN, Bonow RO, Brass LM, Fonarow GC, et al. AHA/ACC guidelines  for secondary prevention for patients with coronary and other atherosclerotic vascular disease:  2006 update: endorsed by the National Heart, Lung, and Blood Institute. J Am Coll Cardiol  2006;47(10):2130‐2139.   (108) van der Elst ME, Bouvy ML, de Blaey CJ, de Boer A. Effect of drug combinations on  admission for recurrent myocardial infarction. Heart 2007;93(10):1226‐1230.   (109) Austin PC, Tu JV, Ko DT, Alter DA. Use of evidence‐based therapies after discharge among  elderly patients with acute myocardial infarction. CMAJ 2008;179(9):895‐900.   (110) Daugherty SL, Ho PM, Spertus JA, Jones PG, Bach RG, Krumholz HM, et al. Association of  early follow‐up after acute myocardial infarction with higher rates of medication use. Arch  Intern Med 2008;168(5):485‐491.   (111) Tran CTT, Laupacis A, Mamdani MM, Tu JV. Effect of age on the use of evidence‐based  therapies for acute myocardial infarction. Am Heart J 2004;148(5):834‐841.   (112) Hanley GE, Morgan S, Reid RJ. Explaining prescription drug use and expenditures using the  Adjusted Clinical Groups case‐mix system in the population of British Columbia, Canada. Med  Care 2010;48(5):402‐408.         157    (113) Pilote L, Beck C, Karp I, Alter D, Austin P, Cox J, et al. Canadian Cardiovascular Outcomes  Research Team. Secondary prevention after acute myocardial infarction in four Canadian  provinces, 1997‐2000. Can J Cardiol 2004;20(1):61‐67.   (114) Gislason GH, Rasmussen JN, Abildstrøm SZ, Gadsbøll N, Buch P, Friberg J, et al. Long‐term  compliance with beta‐blockers, angiotensin‐converting enzyme inhibitors, and statins after  acute myocardial infarction. Eur Heart J 2006;27(10):1153‐1158.   (115) Rasmussen JN, Gislason GH, Rasmussen S, Abildstrom SZ, Schramm TK, Kober L, et al. Use  of statins and beta‐blockers after acute myocardial infarction according to income and  education. J Epidemiol Community Health 2007;61(12):1091‐1097.   (116) Ohlsson H, Rosvall M, Hansen O, Chaix B, Merlo J. Socioeconomic position and secondary  preventive therapy after an AMI. Pharmacoepidemiol Drug Saf 2010;19(4):358‐366.   (117) Chernew M, Gibson TB, Yu‐Isenberg K, Sokol MC, Rosen AB, Fendrick AM. Effects of  increased patient cost sharing on socioeconomic disparities in health care. J Gen Intern Med  2008;23(8):1131‐1136.   (118) Adams AS, Soumerai SB, Ross‐Degnan D. Use of antihypertensive drugs by Medicare  enrollees: does type of drug coverage matter?. Health Aff 2001;20(1):276‐286.   (119) Federman AD, Adams AS, Ross‐Degnan D, Soumerai SB, Ayanian JZ. Supplemental  insurance and use of effective cardiovascular drugs among elderly Medicare beneficiaries with  coronary heart disease. JAMA 2001;286(14):1732‐1739.   (120) Goldman DP, Joyce GF, Zheng Y. Prescription drug cost sharing. JAMA 2007;298(1):61‐69.   (121) Heisler M, Choi H, Rosen AB, Vijan S, Kabeto M, Langa KM, et al. Hospitalizations and  deaths among adults with cardiovascular disease who underuse medications because of cost: a  longitudinal analysis. Med Care 2010;48(2):87‐94.   (122) Gerward S, Tydén P, Hansen O, Engström G, Janzon L, Hedblad B. Survival rate 28 days  after hospital admission with first myocardial infarction. Inverse relationship with socio‐ economic circumstances. J Intern Med 2006;259(2):164‐172.   (123) Dhalla IA, Smith MA, Choudhry NK, Denbur AE. Costs and Benefits of Free Medications  after Myocardial Infarction. Healthcare Policy 2009;5(2):68‐86.         158    (124) van Doorslaer E, Jones AM. Income‐related inequality in health and health care in the  European Union. Health Econ 2004;13(7):605‐608.   (125) van Doorslaer E, Wagstaff A, van der Burg H, Christiansen T, De Graeve D, Duchesne I, et  al. Equity in the delivery of health care in Europe and the US. J Health Econ 2000;19(5):553‐583.   (126) Wagstaff A, van Doorslaer E. Measuring and testing for inequity in the delivery of health  care. J Hum Resour 2000;35(4):716‐733.   (127) Van Doorslaer E, Koolman X, Jones AM. Explaining income‐related inequalities in doctor  utilization in Europe. Health Econ 2004;13(7):629–647.   (128) van Doorslaer E, Masseria C. OECD Health Equity Research Group. Income related  inequality in the use of medical care in 21 OECD countries. Towards high‐performing health  systems:policy studies Paris: OECD; 2004. p. 109‐166.   (129) van Doorslaer E, Masseria C, Koolman X. Inequalities in access to medical care by income  in developed countries. CMAJ 2006;174(2):177‐183.   (130) Alter DA, Iron K, Austin PC, Naylor CD. Socioeconomic status, service patterns, and  perceptions of care among survivors of acute myocardial infarction in Canada. JAMA  2004;291(9):1100‐1107.   (131) McGrail KM. Income‐related inequities: Cross‐sectional analyses of the use of medicare  services in British Columbia in 1992 and 2002. Open Medicine 2008;2(4).   (132) Alboni P, Amadei A, Scarfo S, Bettiol K, Ippolito F, Baggioni G. In industrialized nations, a  low socioeconomic status represents an independent predictor of mortality in patients with  acute myocardial infarction. Ital Heart J 2003;4(8):551‐558.   (133) Bernheim SM, Spertus JA, Reid KJ, Bradley EH, Desai RA, Peterson ED, et al.  Socioeconomic disparities in outcomes after acute myocardial infarction. Am Heart J  2007;153(2):313‐319.   (134) Chang WC, Kaul P, Westerhout CM, Graham MM, Armstrong PW. Effects of  socioeconomic status on mortality after acute myocardial infarction. Am J Med 2007;120(1):33‐ 39.         159    (135) Laszlo KD, Janszky I, Ahnve S. Income and recurrent events after a coronary event in  women. Eur J Epidemiol 2008;23(10):669‐680.   (136) Qureshi AI, Suri MF, Saad M, Hopkins LN. Educational attainment and risk of stroke and  myocardial infarction. Med Sci Monit 2003;9(11):466‐473.   (137) Rosvall M, Gerward S, Engstrom G, Hedblad B. Income and short‐term case fatality after  myocardial infarction in the whole middle‐aged population of Malmo, Sweden. Eur J Public  Health 2008;18(5):533‐538.   (138) Salomaa V, Miettinen H, Niemela M, Ketonen M, Mahonen M, Immonen‐Raiha P, et al.  Relation of socioeconomic position to the case fatality, prognosis and treatment of myocardial  infarction events; the FINMONICA MI Register Study. J Epidemiol Community Health  2001;55(7):475‐482.   (139) Mossialos E, Mrazek M, Walley T. Regulating pharmaceuticals in Europe: Striving for  efficiency, equity, and quality. Berkshire England: Open Univ Pr; 2004.   (140) Gerdtham UG, Sundberg G. Redistributive effects of Swedish health care finance. Int J  Health Plann Manage 1999;13(4):289‐306.   (141) Aronson JR, Johnson P, Lambert PJ. Redistributive effect and unequal income tax  treatment. The Economic Journal 1994;104(423):262‐270.   (142) Kakwani NC. Measurement of tax progressivity: an international comparison. The  Economic Journal 1977:71‐80.   (143) McGrail K. Medicare financing and redistribution in British Columbia, 1992 and 2002.  Healthcare Policy 2007;2(4):123‐137.   (144) National Pharmaceuticals Strategy. National Pharmaceuticals Strategy Progress report.  2006.   (145) Harris BL, Stergachis A, Ried LD. The effect of drug co‐payments on utilization and cost of  pharmaceuticals in a health maintenance organization. Med Care 1990;28(10):907‐917.   (146) Hux JE, Fielding DA. The Ontario Drug Benefit program copayment: Its impact on access  for Ontario seniors and changes to the program. Institute for Evaluative Sciences 1997.         160    (147) Soumerai SB, Avorn J, Ross‐Degnan D, Gortmaker S. Payment restrictions for prescription  drugs under Medicaid. N Engl J Med 1987;317(9):550‐556.   (148) Soumerai SB, McLaughlin TJ, Ross‐Degnan D, Casteris CS, Bollini P. Effects of limiting  Medicaid drug‐reimbursement benefits on the use of psychotropic agents and acute mental  health services by patients with schizophrenia. N Engl J Med 1994;331(10):650‐655.   (149) Brian EW, Gibbens SF. California's Medi‐Cal copayment experiment. Med Care 1974;12(12  suppl):1‐303.             161    Appendix: Changes in rates of initiation before and after the move to  income­based pharmacare  Appendix Table 1. MEN: Regression results for initiation on ACE‐inhibitors, beta‐blockers and statins in  the 120 days post AMI by income quintile before and after the policy change.    ACE‐inhibitors  Beta‐blockers Statins All three  Quintile 1  1.00 (ref)  1.00 (ref) 1.00 (ref) 1.00 (ref)  Quintile 2  1.06 (0.93, 1.21)  1.00 (0.87, 1.16) 1.05 (0.91, 1.21) 1.01 (0.88, 1.17) Quintile 3  1.19 (1.04, 1.36)  1.28 (1.11, 1.48) 1.31 (1.14, 1.50) 1.18 (1.03, 1.35) Quintile 4  1.28 (1.11, 1.45)  1.42 (1.23, 1.64) 1.52 (1.32, 1.74) 1.23 (1.08, 1.40) Quintile 5  1.34 (1.18, 1.53)  1.51 (1.31, 1.74) 1.76 (1.54, 2.03) 1.37 (1.20, 1.56) After the May 1st , 2003 Policy Change  Quintile 1  1.00 (ref)  1.00 (ref) 1.00 (ref) 1.00 (ref)  Quintile 2  0.98 (0.84, 1.15)  1.10 (0.93, 1.31) 1.06 (0.89, 1.26) 0.99 (0.85, 1.16) Quintile 3  1.16 (0.99, 1.36)  1.22 (1.03, 1.44) 1.25 (1.05, 1.49) 1.08 (0.93, 1.26) Quintile 4  1.22 (1.05, 1.43)  1.30 (1.10, 1.54) 1.67 (1.40, 1.98) 1.16 (1.00, 1.34) Quintile 5  1.51 (1.29, 1.77)  1.55 (1.31, 1.84) 1.93 (1.62, 2.31) 1.38 (1.19, 1.60) Note: Adjusted for age using 5 year age bands, urban residence, and general health status using Johns  Hopkins ADGs            162    Appendix Table 2: WOMEN: Regression results for initiation on ACE‐inhibitors, beta‐blockers and statins  in the 120 days post AMI by income quintile before and after the policy change.    ACE‐inhibitors  Beta‐blockers Statins All three  Quintile 1  1.00 (ref)  1.00 (ref) 1.00 (ref) 1.00 (ref)  Quintile 2  0.93 (0.79, 1.10)  1.04 (0.87, 1.24) 1.01 (0.85, 1.19) 1.03 (0.87, 1.23) Quintile 3  0.97 (0.82, 1.16)  1.03 (0.86, 1.22) 1.04 (0.87, 1.23) 0.96 (0.80, 1.15) Quintile 4  1.11 (0.92, 1.33)  1.10 (0.91, 1.34) 1.05 (0.87, 1.27) 1.05 (0.87, 1.28) Quintile 5  1.16 (0.86, 1.30)  1.44 (1.15, 1.80) 1.47 (1.18, 1.27) 1.23 (1.00, 1.52) After the May 1st , 2003 Policy Change  Quintile 1  1.00 (ref)  1.00 (ref) 1.00 (ref) 1.00 (ref)  Quintile 2  1.14 (0.96, 1.36)  1.21 (1.01, 1.47) 1.10 (0.91, 1.32) 1.15 (0.96, 1.38) Quintile 3  0.98 (0.81, 1.17)  1.22 (1.00, 1.49) 1.05 (0.86, 1.28) 1.04 (0.86, 1.26) Quintile 4  1.21 (0.99, 1.47)  1.30 (1.05, 1.62) 1.28 (1.03, 1.59) 1.28 (1.04, 1.57) Quintile 5  1.02 (0.82, 1.27)  1.19 (0.94, 1.52) 1.27 (1.01, 1.62) 1.11 (0.89, 1.39) Note: Adjusted for age using 5 year age bands, urban residence, and general health status using Johns  Hopkins ADGs            163    Appendix Table 3: Regression results examining whether the relationship between income and initiation  on ACE‐inhibitors changed after the policy change.   Variable  Men  Women  Quintile 1  1.00 (ref)  1.00 (ref)  Quintile 2  1.03 (0.89, 1.18)  0.98 (0.83, 1.17)  Quintile 3  1.18 (1.03, 1.36)  0.96 (0.81, 1.14)  Quintile 4  1.24 (1.08, 1.42)  1.10 (0.91, 1.33)  Quintile 5  1.29 (1.12, 1.48)  1.03 (0.84, 1.27)        Post‐policy indicator variable  1.16 (0.99, 1.34)  0.82 (0.70, 0.97)        Quintile 1 pre policy  1.00 (ref)  1.00 (ref)  Quintile 2 interacted with post‐policy  variable  0.95 (0.78, 1.17)  0.97 (0.76, 1.24)  Quintile 3 interacted with post‐policy  variable   0.93 (0.76, 1.14)  0.97 (0.75, 1.24)  Quintile 4 interacted with post‐policy  variable  0.97 (0.79, 1.18)  1.06 (0.81, 1.38)  Quintile 5 interacted with post‐policy  variable  1.18 (0.97, 1.45)  0.97 (0.72, 1.30)  Note: Adjusted for age using 5 year age bands, urban residence, and general health status using Johns  Hopkins ADGs            164      Appendix Table 4: Regression results examining whether the relationship between income and initiation  on beta‐blockers changed after the policy change.   Variable  Men  Women  Quintile 1  1.00 (ref)  1.00 (ref)  Quintile 2  1.06 (0.91, 1.22)  0.98 (0.82, 1.17)  Quintile 3  1.29 (1.12, 1.50)  1.04 (0.87, 1.25)  Quintile 4  1.45 (1.25, 1.68)  1.09 (0.89, 1.34)  Quintile 5  1.56 (1.34, 1.82)  1.41 (1.12, 1.77)        Post‐policy indicator variable  1.23 (1.05, 1.44)  1.10 (0.92, 1.31)        Quintile 1 pre policy  1.00 (ref)  1.00 (ref)  Quintile 2 interacted with post‐policy  variable  1.04 (0.83, 1.28)  1.09 (0.84, 1.42)  Quintile 3 interacted with post‐policy  variable   0.91 (0.73, 1.13)  1.05 (0.81, 1.38)  Quintile 4 interacted with post‐policy  variable  0.89 (0.72, 1.11)  1.09 (0.82, 1.46)  Quintile 5 interacted with post‐policy  variable  0.96 (0.77, 1.19)  0.81 (0.58, 1.11)  Note: Adjusted for age using 5 year age bands, urban residence, and general health status using Johns  Hopkins ADGs            165    Appendix Table 5: Regression results examining whether the relationship between income and initiation  on statins changed after the policy change.   Variable  Men  Women  Quintile 1  1.00 (ref)  1.00 (ref)  Quintile 2  1.02 (0.88, 1.17)  0.97 (0.82, 1.15)  Quintile 3  1.25 (1.08, 1.45)  1.08 (0.90, 1.29)  Quintile 4  1.49 (1.29, 1.72)  1.06 (0.88, 1.29)  Quintile 5  1.76 (1.52, 2.04)  1.45 (1.17, 1.82)        Post‐policy indicator variable  1.75 (1.50, 2.05)  1.57 (1.32, 1.86)        Quintile 1 pre policy  1.00 (ref)  1.00 (ref)  Quintile 2 interacted with post‐policy  variable  1.07 (0.86, 1.33)  1.10 (0.85, 1.41)  Quintile 3 interacted with post‐policy  variable   0.99 (0.79, 1.23)  0.93 (0.71, 1.21)  Quintile 4 interacted with post‐policy  variable  1.10 (0.88, 1.36)  1.15 (0.87, 1.54)  Quintile 5 interacted with post‐policy  variable  1.08 (0.86, 1.34)  0.87 (0.63, 1.20)  Note: Adjusted for age using 5 year age bands, urban residence, and general health status using Johns  Hopkins ADGs            166    Appendix Table 6: Regression results examining whether the relationship between income and initiation  on all three recommended medicines changed after the policy change.   Variable  Men  Women  Quintile 1  1.00 (ref)  1.00 (ref)  Quintile 2  1.01 (0.88, 1.17)  0.98 (0.82, 1.18)  Quintile 3  1.15 (1.00, 1.32)  0.99 (0.82, 1.19)  Quintile 4  1.22 (1.07, 1.41)  1.07 (0.88, 1.30)  Quintile 5  1.37 (1.20, 1.41)  1.23 (1.01, 1.52)        Post‐policy indicator variable  1.81 (1.56, 2.10)  1.48 (1.24, 1.76)        Quintile 1 pre policy  1.00 (ref)  1.00 (ref)  Quintile 2 interacted with post‐policy  variable  0.98 (0.79, 1.21)  1.05 (0.82, 1.36)  Quintile 3 interacted with post‐policy  variable   0.93 (0.76, 1.14)  0.96 (0.74, 1.25)  Quintile 4 interacted with post‐policy  variable  0.94 (0.77, 1.14)  1.12 (0.85, 1.48)  Quintile 5 interacted with post‐policy  variable  0.99 (0.82, 1.20)  0.85 (0.63, 1.14)  Note: Adjusted for age using 5 year age bands, urban residence, and general health status using Johns  Hopkins ADGs                       


Citation Scheme:


Citations by CSL (citeproc-js)

Usage Statistics



Customize your widget with the following options, then copy and paste the code below into the HTML of your page to embed this item in your website.
                            <div id="ubcOpenCollectionsWidgetDisplay">
                            <script id="ubcOpenCollectionsWidget"
                            async >
IIIF logo Our image viewer uses the IIIF 2.0 standard. To load this item in other compatible viewers, use this url:


Related Items