The Cost-Effectiveness of Using Payment to Increase Living Donor Kidneys for Transplantation
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: For eligible candidates, transplantation is considered the optimal treatment compared with dialysis for patients with ESRD. The growing number of patients with ESRD requires new strategies to increase the pool of potential donors. DESIGN, SETTING, PARTICIPANTS, & MEASUREMENTS: Using decision analysis modeling, this study compared a strategy of paying living kidney donors to waitlisted recipients on dialysis with the current organ donation system. In the base case estimate, this study assumed that the number of donors would increase by 5% with a payment of $10,000. Quality of life estimates, resource use, and costs (2010 Canadian dollars) were based on the best available published data. RESULTS: Compared with the current organ donation system, a strategy of increasing the number of kidneys for transplantation by 5% by paying living donors $10,000 has an incremental cost-savings of $340 and a gain of 0.11 quality-adjusted life years. Increasing the number of kidneys for transplantation by 10% and 20% would translate into incremental cost-savings of $1640 and $4030 and incremental quality-adjusted life years gain of 0.21 and 0.39, respectively. CONCLUSION: Although the impact is uncertain, this model suggests that a strategy of paying living donors to increase the number of kidneys available for transplantation could be cost-effective, even with a transplant rate increase of only 5%. Future work needs to examine the feasibility, legal policy, ethics, and public perception of a strategy to pay living donors.
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 | 0,000 | 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 ».