Economic Evaluations Conducted for Assessment of Genetic Testing Technologies: A Systematic Review
Notice bibliographique
Résumé
AIMS: To systematically review the methods used in economic evaluations (EEs) included in health technology assessments (HTAs) of genetic testing technologies (GTTs). METHODS: A systematic search using bibliographic databases and gray literature was undertaken to identify HTA reports on GTTs that included EEs in addition to clinical effectiveness results. Studies were reviewed in terms of methodology and reporting. RESULTS: Of 361 identified citations, 15 HTAs consisting of 11 model-based and 4 trial-based EEs were included, more than 50% of which had moderate-to-low-quality scores mainly due to not reporting information on basic elements of a standard EE and inadequate management of uncertainty. Cost-effectiveness analysis accounted for 62% of studies. Approximately 66% of the studies adopted a third-party payer perspective, and 46% used a lifelong time horizon. The majority of studies exclusively included technical costs of testing (100%) and therapeutic or preventive interventions (60%). The most frequent variables tested in sensitivity analysis included costs (66%), effects (50%), and transition probabilities (58%). CONCLUSIONS: We found several methodological challenges in the reviewed EEs, including identification of a proper analytical perspective, inclusion of wider range of outcomes and costs, allowing for long-term medical and nonmedical impacts of genetic tests, and sufficient management of uncertainty. These issues should be carefully considered in future EEs of GTTs.
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 | 0,092 | 0,358 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,012 | 0,015 |
| Bibliométrie | 0,021 | 0,014 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».