MétaCan
Menu
← Retour à la cohorte
Enregistrement W1511711983 · doi:10.1002/9780470682807.ch27

Cost‐Effectiveness of Interventions for the Prevention and Control of Diabetes

2010· other· en· W1511711983 sur OpenAlexaboutno aff
Rui Li, Ping Zhang

Notice bibliographique

Revuenon disponible
Typeother
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealth Systems, Economic Evaluations, Quality of Life
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMedicinePsychological interventionType 2 diabetesDiabetes mellitusCost effectivenessIntensive care medicineLosartanIrbesartanInternal medicineAngiotensin IIEndocrinologyRisk analysis (engineering)NursingBlood pressure

Résumé

récupéré en direct d'OpenAlex

This chapter describes the conceptual framework of cost-effectiveness analysis and summarizes the results of recent studies concerning the cost-effectiveness of interventions for the prevention and control of diabetes. We reviewed original research articles published in English from 1985 through 2005, converted all costs described in these articles to 2005 US dollars and reported cost-effectiveness results separately for the United States and for other developed countries (mainly countries in Europe plus Canada and Australia). Both levels of evidence and of cost-effectiveness varied by intervention. This variation also depended on region because of differences in availability of clinical trial data as well as the availability and quality of the studies. There was strong evidence to demonstrate the following interventions were either cost-saving or cost-effective. For both the United States and other regions, these interventions include (1) intensive lifestyle interventions (either individual or group-based) and generic metformin treatment for preventing type 2 diabetes among high-risk individuals and (2) angiotensin-converting enzyme (ACE) inhibitors and beta-blockers for intensive hypertension control among type 2 diabetes patients. In the United States, additional interventions included annual diabetic retinopathy screening in persons with type 1 diabetes In the other developed regions they included ACE inhibitors, losartan and irbesartan treatment for preventing nephropathy among type 2 diabetes patients, becaplermin treatment for foot ulcer for type 1 or type 2 diabetes patients, intensive glycaemic control among type 2 diabetes patients targeting at an HbA1c level of 7% or less and simvastatin treatment for secondary prevention of cardiovascular disease (CVD) among type 2 diabetes patients with dyslipidaemia. Interventions with strong evidence to demonstrate that they were not cost-effective include; universal screening for undiagnosed type 2 diabetes and intensive glycaemic control targeting at fast plasma glucose at 108°mg°dl–1 in type 2 diabetic patients aged 55 years and older in the United States. In addition, there were a large number of interventions for which evidence on cost-effectiveness was weak. There were two interventions for which evidence on cost-effectiveness was mixed because of contradictory conclusions. Interventions with strong evidence to demonstrate that they were either cost-saving or cost-effective represent good use of heath care resources and should be adopted. These with strong evidence to demonstrate they were not cost-effective represent a poor use of heath care resources and should not be adopted. More research is needed on those interventions for which evidence of cost-effectiveness was weak or mixed

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,017
score de la tête « metaresearch » (Gemma)0,060
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: aucune
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,088

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0170,060
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0040,006
Bibliométrie0,0060,005
Études des sciences et des technologies0,0000,001
Communication savante0,0050,003
Science ouverte0,0020,002
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0070,000

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.

Tête enseignante Opus0,335
Tête enseignante GPT0,462
Écart entre enseignants0,127 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetHealth Systems, Economic Evaluations, Quality of Life→Travaux en français237 207→