The Routine Use of High-Resolution Immunological Screening of Recipients of Primary Deceased Donor Kidney Allografts Is Cost-Effective
Notice bibliographique
Résumé
BACKGROUND: The economic and health benefits of kidney transplantation are dependent on the length of allograft survival. High-resolution immunological screening can identify recipients at increased risk of early graft loss caused by acute rejection, but the use of these tests increases screening costs before transplantation. The objective of this study was to evaluate the cost-effectiveness of routine use of high-resolution flow-cytometry cross-matching and solid-phase screening for all recipients of primary deceased donor kidney transplants. METHODS: A Markov model was constructed to evaluate costs and effects of two different clinical strategies on a simulated cohort of 1,000 transplant recipients: serological screening (SS) only and flow screening (FS) only. Outcomes measures were total cost of patient care over 25 years, life expectancy, quality-adjusted life expectancy, and transplant life expectancy. RESULTS: In the base-case analysis, FS was associated with an average gain of 0.08 life years, 0.25 transplant life years, and 0.08 quality-adjusted life years per patient. SS was associated with a higher cost of CND$6,397 per patient, mostly because of increased use of dialysis in patients who suffered early graft loss under the SS strategy. The results were robust to uncertainty in the majority of variables, and a strategy using FS was cost-effective except under the unlikely scenario where the false-negative rate for SS was <or=2% or the early graft loss rate for flow-positive recipients was <or=7% (compared with 5% for flow-negative recipients). CONCLUSIONS: Routine use of FS in recipients of first-deceased donor kidney transplants is cost-effective.
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) | 0,000 | 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 ».