The impact of using different costing methods on the results of an economic evaluation of cardiac care: microcosting vs gross‐costing approaches
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Published guidelines on the conduct of economic evaluations provide little guidance regarding the use and potential bias of the different costing methods. OBJECTIVES: Using microcosting and two gross-costing methods, we (1) compared the cost estimates within and across subjects, and (2) determined the impact on the results of an economic evaluation. METHODS: Microcosting estimates were obtained from the local health region and gross-costing estimates were obtained from two government bodies (one provincial and one national). Total inpatient costs were described for each method. Using an economic evaluation of sirolimus-eluting stents, we compared the incremental cost-utility ratios that resulted from applying each method. RESULTS: Microcosting, Case-Mix-Grouper (CMG) gross-costing, and Refined-Diagnosis-Related grouper (rDRG) gross-costing resulted in 4-year mean cost estimates of $16,684, $16,232, and $10,474, respectively. Using Monte Carlo simulation, the cost per QALY gained was $41,764 (95% CI: $41,182-$42 346), $42,538 (95% CI: $42 167-$42 907), and $36,566 (95% CI: $36,172-$36,960) for microcosting, rDRG-derived and CMG-derived estimates, respectively (P<0.001). CONCLUSIONS: Within subject, the three costing methods produced markedly different cost estimates. The difference in cost-utility values produced by each method is modest but of a magnitude that could influence a decision to fund a new intervention.
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.
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 | 0,050 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle