Why modelling a complex intervention is an important precursor to trial design: lessons from studying an intervention to reduce falls-related injuries in older people
Notice bibliographique
Résumé
OBJECTIVES: To develop a cost-effectiveness model of a complex intervention from pilot study data in order to inform the viability and design of a subsequent falls prevention trial. METHODS: We used two models; the first estimated the probability of falling over a 12-month period based on a probability tree; the second used Markov simulation to assess the impact of the programme over time. RESULTS: The first model indicated that our intervention would reduce the proportion falling by only 2.8% over a 12-month period. The major reason for this small effect was that less than a quarter of older people at risk of falling were assessed using our screening tool. Even if policy-makers were willing to spend 30,000 pounds per quality-adjusted life-year gained, there is only a 40% chance that the intervention would be cost-effective. Sensitivity analyses showed that the only scenarios that produced a substantial increase in the effect of the intervention were those in which all older people are assessed. CONCLUSIONS: The model-building approach described in this paper is vital when designing complex trials and where a trial is not possible. Information from the modelling can be used to re-design the intervention. The effectiveness of our proposed intervention appears very small due to its inability to reach those at risk of falling. It is most likely not to be cost-effective. If inability to reach the target group is a weakness common to other similar interventions, this suggests an area for further research.
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 | 0,015 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».