Building Uncertainty Into Cost-Effectiveness Rankings
Notice bibliographique
Résumé
Background. Current principles of cost-effectiveness analysis emphasize the rank ordering of programs by expected economic return (eg, quality-adjusted life-years gained per dollar expended). This criterion ignores the variance associated with the cost-effectiveness of a program, yet variance is a common measure of risk when financial investment options are appraised. Variation in health care program return is likely to be a criterion of program selection for health care managers with fixed budgets and outcome performance targets. Methods. Characterizing health care resource allocation as a risky investment problem, we show how concepts of portfolio analysis from financial economics can be adopted as a conceptual framework for presenting cost-effectiveness data from multiple programs as mean-variance data. Results. Two specific propositions emerge: (1) the current convention of ranking programs by expected return is a special case of the portfolio selection problem in which the decision maker is assumed to be indifferent to risk, and (2) for risk-averse decision makers, the degree of joint risk or covariation in cost-effectiveness between programs will create incentives to diversify an investment portfolio. Conclusions. The conventional normative assumption of risk neutrality for social-level public investment decisions does not apply to a large number of health care resource allocation decisions in which health care managers seek to maximize returns subject to budget constraints and performance targets. Portfolio theory offers a useful framework for studying mean-variance tradeoffs in cost-effectiveness and offers some positive predictions (and explanations) of actual decision making in the health care sector.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».