Cost-Effectiveness of Optimizing Acute Stroke Care Services for Thrombolysis
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: Thrombolysis in acute stroke is effective up to 4.5 hours after symptom onset but relies on early recognition, prompt arrival in hospital, and timely brain scanning. This study aimed to establish the cost-effectiveness of increasing thrombolysis rates through a series of hypothetical change strategies designed to optimize the acute care pathway for stroke. METHODS: A decision-tree model was constructed, which relates the acute management of patients with suspected stroke from symptom onset to outcome. Current practice was modeled and compared with 7 change strategies designed to facilitate wider eligibility for thrombolysis. The model basecase consisted of data from consenting patients following the acute stroke pathway recruited in participating hospitals with data on effectiveness of treatment and costs from published sources. RESULTS: All change strategies were cost saving while increasing quality-adjusted life years gained. Using realistic estimates of effectiveness, the change strategy with the largest potential benefit was that of better recording of onset time, which resulted in 3.3 additional quality-adjusted life years and a cost saving of US $46,000 per 100,000 population. All strategies increased the number of thrombolysed patients and the number requiring urgent brain imaging (by 9% to 21% dependent on the scenario). Assuming a willingness-to-pay of US $30,000 per quality-adjusted life year gained, the potential budget available to deliver the interventions in each strategy ranged from US $50,000 to US $144,000. CONCLUSIONS: These results suggest that any strategy that increases thrombolysis rates will result in cost savings and improved patient quality of life. Healthcare commissioners could consider this model when planning improvements in stroke care.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».