The impact of using different costing methods on the results of an economic evaluation of cardiac care: microcosting vs gross‐costing approaches
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.
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 | 0,362 | 0,603 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,007 |
| Bibliométrie | 0,007 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; 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 ».