Cost-Effectiveness and Choice of Infant Transport Systems
Notice bibliographique
Résumé
OBJECTIVE: To compare cost-effectiveness of three types of infant transport models (Emergency Medical Technicians [EMT], Registered Nurses [RN], or Combined Teams [CT] of RNs and Respiratory Therapists) and to derive a decision model to guide choice of a transport system. RESEARCH DESIGN: A prospective, multicenter, observational study was conducted to compare infant physiologic status before and after transport. Cost-effectiveness analysis from the perspective of the third-party payer, sensitivity analysis and threshold analysis were performed. SUBJECTS: All (n = 1931) out born infants with complete transport data admitted to 11 regional tertiary-level Canadian NICUs from January 1996 to October 1997. MEASURES: Change in Transport Risk Index of Physiologic Stability (TRIPS) Score before and after transport, transport costs. RESULTS: Change in TRIPS was predicted by gestational age at transport, transport duration, and pretransport TRIPS score, but not the type (EMT, RN, CT) of transport team, mode (air/ground) or direction (forward/retrograde) of transport, presence of a physician, and other baseline population risks (sex, small for gestational age, antenatal corticosteroid treatment, Apgar score). The RN model is least costly under most assumptions. At high transport volumes (>2760 transports per year) and long average transport times (>6.8 h per transport), the EMT model was less costly. Cost drivers of transport were volume of transport, relative wages of transport personnel, and percent of waiting time dedicated to infant transport. CONCLUSIONS: A deterministic decision-analytic model can be used to model transport cost-effectiveness and derive a threshold analytic chart for identifying the least costly transport model.
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 | 0,001 |
| 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 ».