A Note on the Estimation of Confidence Intervals for Cost-Effectiveness When Costs and Effects Are Censored
Notice bibliographique
Résumé
BACKGROUND: The relation between methodological advances in estimation of confidence intervals (CIs) for incremental cost-effectiveness ratios (ICER) and estimation of cost effectiveness in the presence of censoring has not been explored. The authors address the joint problem of estimating ICER precision in the presence of censoring. METHODS: Using patient-level data (n = 168) on cost and survival from a published placebo-controlled trial, the authors compared 2 methods of measuring uncertainty with censored data: 1) Bootstrap with censor adjustment (BCA); 2) Fieller's method with censor adjustment (FCA). The authors estimate the FCA over all possible values for the correlation (rho) between costs and effects (range = -1 to + 1) and also examine the use of the correlation between cases without censoring adjustment (i.e., simple time-on-study) for costs and effects as an approximation for rho. RESULTS: Using time-on-study, which considers all censored observations as responders (deaths), yields 0.64 life-years gained at an additional cost of 87.9 for a cost per life-year of 137 (95% CI by bootstrap -5.9 to 392). Censoring adjustment corrects for the bias in the time-on-study approach and reduces the cost per life-year estimate to 132 (=72/0.54). Confidence intervals with censor adjustment were approximately 40% wider than the base-case without adjustment. Using the Fieller method with an approximation of rho based on the uncensored cost and effect correlation provides a 95% CI of (-48 to 529), which is very close to the BCA interval of (-52 to 504). CONCLUSIONS: Adjustment for censoring is necessary in cost-effectiveness studies to obtain unbiased estimates of ICER with appropriate uncertainty limits. In this study, BCA and FCA methods, the latter with approximated covariance, are simple to compute and give similar confidence intervals.
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 | 0,351 | 0,774 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,009 |
| Bibliométrie | 0,006 | 0,008 |
| Études des sciences et des technologies | 0,002 | 0,012 |
| Communication savante | 0,009 | 0,010 |
| Science ouverte | 0,011 | 0,005 |
| Intégrité de la recherche | 0,016 | 0,045 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».