Hereditary hemochromatosis screening: effect of mutation penetrance and prevalence on cost‐effectiveness of testing algorithms
Notice bibliographique
Résumé
Screening for hereditary hemochromatosis, although largely discussed, is not yet implemented in clinical practice. We evaluated the cost-effectiveness of 165 hemochromatosis population-screening algorithms involving two or three of several screening tests by developing a computer program that simulates all possible screening scenarios. Input data comprised government estimates of health services data and costs and a virtual population with user-defined demographic characteristics (including variable HFE mutation frequencies and penetrance values). We show that when C282Y homozygote prevalence is set at 3:1000, population screening appears cost-effective when penetrance of the biochemical phenotype is >0.70. When only hepatocellular carcinoma and cirrhosis are considered as the cost-driving complications, population-based screening is not significantly more cost-efficient than no screening, but life expectancy of individuals identified with hereditary hemochromatosis and treated is still improved by 7 years. Among the 165 screening algorithms tested in 91 different virtual populations of one million individuals, biochemical tests usually perform better as the initial test than genetic testing. Indeed, the genetic testing is most cost-effective as the final confirmatory test. Finally, for most combinations of prevalence and penetrance of HFE, one screening algorithm--unbound iron-binding capacity + transferrin saturation--appeared robust enough to be always within the top 5 most cost-effective 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 ».