Cost effectiveness of newborn screening for cystic fibrosis: A simulation study
Notice bibliographique
Résumé
BACKGROUND: Early detection of cystic fibrosis (CF) by newborn screening (NBS) reduces the rate of avoidable complications. NBS protocols vary by jurisdiction and the cost effectiveness of these different protocols is debated. OBJECTIVE: To compare the cost effectiveness of various CF NBS options. METHODS: A Markov model was built to simulate the cost effectiveness of various CF-NBS options for a hypothetical CF-NBS program over a 5-year time horizon assuming its integration into an existing universal NBS program. NBS simulated options were based on a combination of tests between the two commonly used immunoreactive trypsinogen (IRT) cutoffs (96th percentile and 99.5th percentile) as first tier tests, and, as a second tier test, either a second IRT, pancreatic-associated protein (PAP) or CFTR mutation panels. CFTR mutation panels were also considered as an eventual third tier test. Data input parameters used were retrieved from a thorough literature search. Outcomes considered were the direct costs borne by the Quebec public health care system and the number of cases of CF detected through each strategy, including the absence of screening option. RESULTS: IRT-PAP with an IRT cutoff at the 96th percentile is the most favorable option with a ratio of CAD$28,432 per CF case detected. The next most favorable alternative is the IRT1-IRT2 option with an IRT1 cutoff at the 96th percentile. The no-screening option is dominated by all NBS screening protocols considered. Results were robust in sensitivity analyses. CONCLUSION: This study suggests that NBS for cystic fibrosis is a cost-effective strategy compared to the absence of NBS. The IRT-PAP newborn screening algorithm with an IRT cutoff at the 96th percentile is the most cost effective NBS approach for Quebec.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».