The cost effectiveness of treating paediatric cancer in low-income and middle-income countries: a case-study approach using acute lymphocytic leukaemia in Brazil and Burkitt lymphoma in Malawi
Notice bibliographique
Résumé
Approximately 90% of children with cancer reside in low-income and middle-income countries (LMIC) where healthcare resources are scarce and allocation decisions difficult. The cost effectiveness of treating childhood cancers in these settings is unknown. The objective of the present work was to determine cost-effectiveness thresholds for common paediatric cancers using acute lymphoblastic leukaemia (ALL) in Brazil and Burkitt lymphoma (BL) in Malawi as examples. Disability-adjusted life years (DALYs) prevented by treatment were compared to the gross domestic product (GDP) per capita of each country to define cost-effectiveness thresholds using WHO-CHOICE ('CHOosing Interventions that are Cost-Effective') guidelines. The case examples were selected due to the data available and because ALL and BL both have the potential to yield significant health gains at a low cost per patient treated. The key findings were as follows: the 3:1 cost/DALY prevented to GDP/capita ratio for ALL in Brazil was US $771,225; expenditures below this threshold were cost effective. Costs below US $257,075 (1:1 ratio) were considered very cost effective. Analogous thresholds for BL in Malawi were US $42,729 and US $14,243. Actual costs were far less. In Brazil, US $16,700 was spent to treat each patient while in Malawi total drug costs were less than US $50 per child. In summary, treatment of certain paediatric cancers in LMIC is very cost effective. Future research should evaluate actual treatment and infrastructure expenditures to help guide policymakers.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».