Screening and Prevention of Venous Thromboembolism in Critically Ill Patients: A Decision Analysis and Economic Evaluation
Notice bibliographique
Résumé
RATIONALE: Venous thromboembolism is difficult to diagnose in critically ill patients and may increase morbidity and mortality. OBJECTIVES: To evaluate the cost-effectiveness of strategies to reduce morbidity from venous thromboembolism in critically ill patients. METHODS: A Markov decision analytic model to compare weekly compression ultrasound screening (screening) plus investigation for clinically suspected deep vein thrombosis (DVT) (case finding) versus case finding alone; and a hypothetical program to increase adherence to DVT prevention. Probabilities were derived from a systematic review of venous thromboembolism in medical-surgical intensive care unit patients. Costs (in 2010 $US) were obtained from hospitals in Canada, Australia, and the United States, and the medical literature. Analyses were conducted from a societal perspective over a lifetime horizon. Outcomes included costs, quality-adjusted life-years (QALY), and incremental cost-effectiveness ratios. MEASUREMENTS AND MAIN RESULTS: In the base case, the rate of proximal DVT was 85 per 1,000 patients. Screening resulted in three fewer pulmonary emboli than case-finding alone but also two additional bleeding episodes, and cost $223,801 per QALY gained. In sensitivity analyses, screening cost less than $50,000 per QALY only if the probability of proximal DVT increased from a baseline of 8.5-16%. By comparison, increasing adherence to appropriate pharmacologic thromboprophylaxis by 10% resulted in 16 fewer DVTs, one fewer pulmonary emboli, and one additional heparin-induced thrombocytopenia and bleeding event, and cost $27,953 per QALY gained. Programs achieving increased adherence to best-practice venous thromboembolism prevention were cost-effective over a wide range of program costs and were robust in probabilistic sensitivity analyses. CONCLUSIONS: Appropriate prophylaxis provides better value in terms of costs and health gains than routine screening for DVT. Resources should be targeted at optimizing thromboprophylaxis.
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 | 0,013 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».