MétaCan
Menu
Retour à la cohorte
Enregistrement W2181546326

Introduction to Cost-Effectiveness Analysis for Clinicians

2013· article· en· W2181546326 sur OpenAlexaffvenue
Jennifer Cape, Jaclyn Beca, Jeffrey S. Hoch

Notice bibliographique

RevueUniversity of Toronto Medical Journal · 2013
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealth Systems, Economic Evaluations, Quality of Life
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésPsychological interventionEconomic evaluationCost–benefit analysisHealth careCost-effectiveness analysisRisk analysis (engineering)Value (mathematics)MedicineActuarial scienceEconomic analysisHealth economicsCost effectivenessPublic economicsOperations managementBusinessEconomicsNursingComputer scienceEconomic growth
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

As health care expenditures continue to increase annually, pressure rises to contain spending. Clinicians are partially responsible for cost containment and can help optimize spending by utilizing more cost-effective interventions. An understanding of economic evaluations, particularly cost-effectiveness analysis, will help physicians make well-informed decisions when choosing between different treatments for their patients. This paper describes different types of economic evaluations with a focus on cost-effectiveness analysis. A hypothetical study is included to illustrate how a cost-effectiveness analysis evaluation is performed. By understanding and considering the economic value of appropriate interventions, clinicians can ensure they are providing evidence-based care for their patients and the population as a whole.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,011
score de la tête « metaresearch » (Gemma)0,004
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,789
Score d'incertitude au seuil0,993

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0110,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0120,000

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.

Tête enseignante Opus0,189
Tête enseignante GPT0,407
Écart entre enseignants0,218 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations23
Publié2013
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueUniversity of Toronto Medical JournalMême sujetHealth Systems, Economic Evaluations, Quality of LifeTravaux en français237 207