Cost‐effectiveness of digital mammography screening before the age of 50 in <scp>T</scp>he <scp>N</scp>etherlands
Notice bibliographique
Résumé
In the Netherlands, routine mammography screening starts at age 50. This starting age may have to be reconsidered because of the increasing breast cancer incidence among women aged 40 to 49 and the recent implementation of digital mammography. We assessed the cost-effectiveness of digital mammography screening that starts between age 40 and 49, using a microsimulation model. Women were screened before age 50, in addition to the current programme (biennial 50-74). Screening strategies varied in starting age (between 40 and 50) and frequency (annual or biennial). The numbers of breast cancers diagnosed, life-years gained (LYG) and breast cancer deaths averted were predicted and incremental cost-effectiveness ratios (ICERs) were calculated to compare screening scenarios. Biennial screening from age 50 to 74 (current strategy) was estimated to gain 157 life years per 1,000 women with lifelong follow-up, compared to a situation without screening, and cost €3,376/LYG (3.5% discounted). Additional screening increased the number of LYG, compared to no screening, ranging from 168 to 242. The costs to generate one additional LYG (i.e., ICER), comparing a screening strategy to the less intensive alternative, were estimated at €5,329 (biennial 48-74 vs. current strategy), €7,628 (biennial 45-74 vs. biennial 48-74), €10,826 (biennial 40-74 vs. biennial 45-74) and €18,759 (annual 40-49 + biennial 50-74 vs. biennial 40-74). Other strategies (49 + biennial 50-74 and annual 45-49 + biennial 50-74) resulted in less favourable ICERs. These findings show that extending the Dutch screening programme by screening between age 40 and 49 is cost-effective, particularly for biennial strategies.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».