Cost‐effectiveness analysis of adding pharmacists to primary care teams to reduce cardiovascular risk in patients with Type 2 diabetes: results from a randomized controlled trial
Notice bibliographique
Résumé
BACKGROUND: Adding pharmacists to primary care teams significantly improved blood pressure control and reduced predicted 10-year cardiovascular risk in patients with Type 2 diabetes. This pre-specified sub-study evaluated the economic implications of this cardiovascular risk reduction strategy. METHODS: One-year outcomes and healthcare utilization data from the trial were used to determine cost-effectiveness from the public payer perspective. Costs were expressed in 2014 Canadian dollars and effectiveness was based on annualized risk of cardiovascular events derived from the UKPDS Risk Engine. RESULTS: The 123 evaluable trial patients included in this analysis had a mean age of 62 ( ± 11) years, 38% were men, and mean diabetes duration was 6 ( ± 7) years. Pharmacists provided 3.0 ( ± 1.9) hours of additional service to each intervention patient, which cost $226 ( ± $1143) per patient. The overall one-year per-patient costs for healthcare utilization were $190 lower in the intervention group compared with usual care [95% confidence interval (CI): -$1040, $668). Intervention patients had a significant 0.3% greater reduction in the annualized risk of a cardiovascular event (95% CI: 0.08%, 0.6%) compared with usual care. In the cost-effectiveness analysis, the intervention dominated usual care in 66% of 10,000 bootstrap replications. At a societal willingness-to-pay of $4000 per 1% reduction in annual cardiovascular risk, the probability that the intervention was cost-effective compared with usual care reached 95%. A sensitivity analysis using multiple imputation to replace missing data produced similar results. CONCLUSIONS: Within a randomized trial, adding pharmacists to primary care teams was a cost-effective strategy for reducing cardiovascular risk in patients with Type 2 diabetes. In most circumstances, this intervention may also be cost saving.
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 | 0,008 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,011 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».