A Clinician's Guide to Correct Cost-Effectiveness Analysis: Think Incremental Not Average
Notice bibliographique
Résumé
OBJECTIVE: To explain how to correctly report the results from a cost-effectiveness analysis (CEA). METHODS: Results were used from a hypothetical clinical trial to illustrate how different ways of reporting economic results affect both presentation of findings and formulation of conclusions. To provide context, we reviewed some high-profile exchanges in the scientific literature. RESULTS: The critical issue with which decision makers must grapple involves the trade-offs introduced by a new treatment or intervention. Specifically, are decision makers willing to pay the additional cost for the additional outcomes? This question cannot be considered without estimates of the additional cost and additional outcomes. Correct cost-effectiveness measures, such as the incremental cost-effectiveness ratio or the incremental net benefit, address this issue. CONCLUSIONS: As decision makers face the challenge of balancing increasing health care demand with cost containment, it will be crucial to identify cost-effective ways of providing care. Health care providers and other decision makers should not be misled by the results of improperly reported CEAs. Decisions around adoption of pharmaceuticals or implementation of new programs or interventions may be affected by which cost-effectiveness summary measure is reported. Thus consumers of CEA must have a basic understanding of why different methods give different results, and how the results should be interpreted.
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 | 0,109 | 0,374 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,003 |
| Méta-épidémiologie (sens large) | 0,006 | 0,005 |
| Bibliométrie | 0,017 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,008 |
| Communication savante | 0,008 | 0,010 |
| Science ouverte | 0,011 | 0,004 |
| Intégrité de la recherche | 0,013 | 0,035 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,013 |
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 ».