Using propensity score methods to analyse individual patient-level cost-effectiveness data from observational studies
Notice bibliographique
Résumé
The methodology relating to the statistical analysis of individual patient-level cost-effectiveness data collected alongside randomised controlled trials (RCTs) has evolved dramatically in the last ten years. This body of techniques has been developed and applied mainly in the context of the randomised clinical trial design. There are, however, many situations in which a trial is neither the most suitable nor the most efficient vehicle for the evaluation. This paper provides a tutorial-like discussion of the ways in which propensity score methods could be used to assist in the analysis of observational individual patient-level cost-effectiveness data. As a motivating example, we assessed the cost-effectiveness of CABG versus PTCA – one year post procedure - in a cohort of individuals who received the intervention within 365 days of their index admission for AMI. The data used for this paper were obtained from the Ontario Myocardial Infarction Database (OMID), linking these with data from the Canadian Institute for Health Information (CIHI), the Ontario Health Insurance Plan (OHIP), the Ontario Drug Benefit (ODB) program, and Ontario Registered Persons Database (RPDB). We discuss three ways in which propensity score can be used to control for confounding in the estimation of average cost-effectiveness, and provide syntax codes for both propensity score matching and cost-effectiveness modelling.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,107 | 0,316 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,011 | 0,017 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».