Primary care and upfront computed tomography scanning in the diagnosis of chronic rhinosinusitis: A cost‐based decision analysis
Notice bibliographique
Résumé
OBJECTIVES/HYPOTHESIS: To diagnose chronic rhinosinusitis (CRS), current guidelines require either endoscopic or computed tomography (CT) findings of sinus disease. To a primary care physician, this means a referral to an otolaryngologist or obtaining a CT scan. Unfortunately, the sensitivity of endoscopy for detecting CRS is low, and examination by the Otolaryngologist may not yield a definitive diagnosis. This leaves CT scanning. However, this is contradicted by recommendations to limit CT scanning for only preoperative planning purposes due to cost concerns. This study aims to provide an evidence-based cost-efficient recommendation for primary care practice. STUDY DESIGN: Health care economics-based decision analysis model. METHODS: A cost-based decision analysis based on literature-reported probabilities and Medicare costs was constructed for two scenarios: 1) primary care physicians who are comfortable initiating first-line treatment for chronic rhinosinusitis, rhinitis, and atypical facial pain; and 2) primary care physicians who are less comfortable with medical management of these conditions. RESULTS: Under both scenarios and the extremes of sensitivity analysis, upfront CT scanning provides cost-efficient diagnosis over presuming a diagnosis of chronic rhinosinusitis. Primary care physicians who attempt first-line treatment can expect $503 (range = $296-$761) saved per patient. Meanwhile, primary care physicians who prefer to refer may expect $326 (range = $299-$353) saved per patient. CONCLUSIONS: In all scenarios, confirming diagnosis with CT scanning prior to treatment or referral is more cost-efficient than presuming a diagnosis of CRS based on symptoms alone.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».