Tamoxifen for Breast Cancer Risk Reduction
Notice bibliographique
Résumé
BACKGROUND: In cost-effectiveness analysis (CEA), the effects of health-care interventions on multiple health dimensions typically require consideration of both quantity and quality of life. OBJECTIVES: To explore the impact of alternative approaches to quality-of-life adjustment using patient preferences (utilities) on the outcome of a CEA on use of tamoxifen for breast cancer risk reduction. RESEARCH DESIGN: A state transition Markov model tracked hypothetical cohorts of women who did or did not take 5 years of tamoxifen for breast cancer risk reduction. Incremental quality-adjusted effectiveness and cost-effectiveness ratios (ICERs) for models including and excluding a utility adjustment for menopausal symptoms were compared with each other and to a global utility model. SUBJECTS: Two hundred fifty-five women aged 50 and over with estimated 5-year breast cancer risk >or=1.67% participated in utility assessment interviews. MEASURES: Standard gamble utilities were assessed for specified tamoxifen-related health outcomes, current health, and for a global assessment of possible outcomes of tamoxifen use. RESULTS: Inclusion of a utility for menopausal symptoms in the outcome-specific models substantially increased the ICER; at the threshold 5-year breast cancer risk of 1.67%, tamoxifen was dominated. When a global utility for tamoxifen was used in place of outcome-specific utilities, tamoxifen was dominated under all circumstances. CONCLUSIONS: CEAs may be profoundly affected by the types of outcomes considered for quality-of-life adjustment and how these outcomes are grouped for utility assessment. Comparisons of ICERs across analyses must consider effects of different approaches to using utilities for quality-of-life adjustment.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,003 | 0,001 |
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 ».