Cost-effectiveness of a shared computerized decision support system for diabetes linked to electronic medical records
Notice bibliographique
Résumé
BACKGROUND: Computerized decision support systems (CDSSs) are believed to enhance patient care and reduce healthcare costs; however the current evidence is limited and the cost-effectiveness remains unknown. OBJECTIVE: To estimate the long-term cost-effectiveness of a CDSS linked to evidence-based treatment recommendations for type 2 diabetes. METHODS: Using the Ontario Diabetes Economic Model, changes in factors (eg, HbA1c) from a randomized controlled trial were used to estimate cost-effectiveness. The cost of implementation, development, and maintenance of the core dataset, and projected diabetes-related complications were included. The base case assumed a 1-year treatment effect, 5% discount rate, and 40-year time horizon. Univariate, one-way sensitivity analyses were carried out by altering different parameter values. The perspective was the Ontario Ministry of Health and costs were in 2010 Canadian dollars. RESULTS: The cost of implementing the intervention was $483,699. The one-year intervention reduced HbA1c by 0.2 and systolic blood pressure by 3.95 mm Hg, but increased body mass index by 0.02 kg/m², resulting in a relative risk reduction of 14% in the occurrence of amputation. The model estimated that the intervention resulted in an additional 0.0117 quality-adjusted life year; the incremental cost-effectiveness ratio was $160,845 per quality-adjusted life-year. CONCLUSION: The web-based prototype decision support system slightly improved short-term risk factors. The model predicted moderate improvements in long-term health outcomes. This disease management program will need to develop considerable efficiencies in terms of costs and processes or improved effectiveness to be considered a cost-effective intervention for treating patients with type 2 diabetes.
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 | 0,025 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».