How Cost-Effective Is the Treatment of Dyslipidemia in Patients With Diabetes but Without Cardiovascular Disease?
Notice bibliographique
Résumé
OBJECTIVE: Epidemiological studies have shown that the risk of myocardial infarction (MI) in diabetic patients without cardiovascular disease (CVD) is comparable to the risk of MI in patients with CVD. We used a validated Markov model to compare the long-term costs and benefits of treating dyslipidemia in diabetic patients without CVD versus treating CVD patients without diabetes in the U.S. The generalizability and robustness of these results were also compared across six other countries (Canada, France, Germany, Italy, Spain, and the U.K.). RESEARCH DESIGN AND METHODS: With use of the Cardiovascular Disease Life Expectancy Model, cost effectiveness simulations of simvastatin treatment were performed for men and women who were 40-70 years of age and had dyslipidemia. We forecast the long-term risk reduction in CVD events after treatment. On the basis of the Scandinavian Simvastatin Survival Study results, we assumed a 35% reduction in LDL cholesterol and an 8% rise in HDL cholesterol. RESULTS: In the U.S., treatment with simvastatin for CVD patients without diabetes was cost-effective, with estimates ranging from $8,799 to $21,628 per year of life saved (YOLS). Among diabetic individuals without CVD, lipid therapy also appeared to be cost-effective, with estimates ranging from $5,063 to $23,792 per YOLS. In the other countries studied, the cost effectiveness of treating diabetes in the absence of CVD was comparable to the cost effectiveness of treating CVD in the absence of diabetes. CONCLUSIONS: Among diabetic men and women who do not have CVD, lipid therapy is likely to be as effective and cost-effective as treating nondiabetic individuals with CVD.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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) | 0,000 | 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 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 ».