Magnesium sulphate for fetal neuroprotection: a cost-effectiveness analysis
Notice bibliographique
Résumé
BACKGROUND: The aim of this study was to assess the cost-effectiveness of administering magnesium sulphate to patients in whom preterm birth at < 32+0 weeks gestation is either imminent or threatened for the purpose of fetal neuroprotection. METHODS: Multiple decision tree models and probabilistic sensitivity analyses were used to compare the administration of magnesium sulphate with the alternative of no treatment. Two separate cost perspectives were utilized in this series of analyses: a health system and a societal perspective. In addition, two separate measures of effectiveness were utilized: cases of cerebral palsy (CP) averted and quality-adjusted life years (QALYs). RESULTS: From a health system and a societal perspective, respectively, a savings of $2,242 and $112,602 is obtained for each QALY gained and a savings of $30,942 and $1,554,198 is obtained for each case of CP averted when magnesium sulphate is administered to patients in whom preterm birth is imminent. From a health system perspective and a societal perspective, respectively, a cost of $2,083 is incurred and a savings of $108,277 is obtained for each QALY gained and a cost of $28,755 is incurred and a savings of $1,494,500 is obtained for each case of CP averted when magnesium sulphate is administered to patients in whom preterm birth is threatened. CONCLUSIONS: Administration of magnesium sulphate to patients in whom preterm birth is imminent is a dominant (i.e. cost-effective) strategy, no matter what cost perspective or measure of effectiveness is used. Administration of magnesium sulphate to patients in whom preterm birth is threatened is a dominant strategy from a societal perspective and is very likely to be cost-effective from a health system perspective.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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 ».