When is Cancer Care Cost-Effective? A Systematic Overview of Cost–Utility Analyses in Oncology
Notice bibliographique
Résumé
New cancer treatments pose a substantial financial burden on health-care systems, insurers, patients, and society. Cost-utility analyses (CUAs) of cancer-related interventions have received increased attention in the medical literature and are being used to inform reimbursement decisions in many health-care systems. We identified and reviewed 242 cancer-related CUAs published through 2007 and included in the Tufts Medical Center Cost-Effectiveness Analysis Registry (www.cearegistry.org). Leading cancer types studied were breast (36% of studies), colorectal (12%), and hematologic cancers (10%). Studies have examined interventions for tertiary prevention (73% of studies), secondary prevention (19%), and primary prevention (8%). We present league tables by disease categories that consist of a description of the intervention, its comparator, the target population, and the incremental cost-effectiveness ratio. The median reported incremental cost-effectiveness ratios (in 2008 US $) were $27,000 for breast cancer, $22,000 for colorectal cancer, $34,500 for prostate cancer, $32,000 for lung cancer, and $48,000 for hematologic cancers. The results highlight the many opportunities for efficient investment in cancer care across different cancer types and interventions and the many investments that are inefficient. Because we found only modest improvement in the quality of studies, we suggest that journals provide specific guidance for reporting CUA and assure that authors adhere to guidelines for conducting and reporting economic evaluations.
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 | 0,013 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».