Cost-Effectiveness of Escitalopram versus Citalopram in the Treatment of Severe Depression
Notice bibliographique
Résumé
BACKGROUND: Severe depression is associated with an extensive economic burden on both the patient and society. OBJECTIVE: To estimate the cost-effectiveness in Austria of escitalopram compared with citalopram in the management of severe depression (Montgomery-Asberg Depression Rating Scale score > or =30). METHODS: A decision model incorporated treatment paths and associated direct resource use (psychiatric hospitalization, medications, general practitioner and psychiatrist visits, treatment discontinuation, suicide attempts) associated with managing severe depression and the indirect cost of work absenteeism over a 6-month period. Main outcomes were clinical success (remission at 6 mo) and cost (2002 Euros equals approximately 1.25 US) of treatment. The analysis was performed from the Austrian societal and Social Healthcare Insurance System (SHIS) perspectives. Clinical input data were derived from a meta-analysis of 8-week randomized clinical trials. Costs were derived from standard Austrian price lists or from the literature. RESULTS: Six months after the start of treatment, the overall clinical success remission rate was higher for escitalopram (53.7%) than for citalopram (48.7%). From the SHIS perspective, the total expected cost per successfully treated severely depressed patient was 924 (32.1%) lower for escitalopram (2879) compared with citalopram (3803). From the societal perspective, the total expected cost per successfully treated severely depressed patient was 1369 (24.4%) lower for escitalopram (5610) than for citalopram (6979). Sensitivity analyses demonstrated that the model was robust and that, even if citalopram had no acquisition cost, escitalopram remained the dominant strategy for both perspectives. CONCLUSIONS: Treatment with escitalopram was the dominant strategy. These data suggest that escitalopram is a cost-effective antidepressant compared with citalopram in the management of severe depression in Austria.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,005 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».