A Cost-Effectiveness Analysis of Prenatal Screening Strategies for Down Syndrome
Notice bibliographique
Résumé
OBJECTIVE: To evaluate which Down syndrome screening strategy is the most cost-effective. METHODS: Using decision-analysis modeling, we compared the cost-effectiveness of 9 screening strategies for Down syndrome: 1) no screening, 2) first-trimester nuchal translucency (NT) only, 3) first-trimester combined NT and serum screen, 4) first-trimester serum only, 5) quadruple screen, 6) integrated screening, 7) sequential screening, 8) integrated serum only, or 9) maternal age. Costs included cost of tests and resources used for raising a child with Down syndrome. One-way and multiway sensitivity analyses were performed for all model variables. The main outcome measures were cost per Down syndrome case detected, rate of delivering a liveborn neonate with Down syndrome, and rate of diagnostic procedure-related pregnancy loss for each strategy. RESULTS: Sequential screening detected more Down syndrome cases compared with the other strategies, but it had a higher procedure-related loss rate. Integrated serum screening was the most cost-effective strategy. Sensitivity analyses revealed the model to be robust over a wide range of values for the variables. The addition of the cost of genetic sonogram to the second-trimester strategies resulted in first-trimester combined screening becoming the most cost-effective strategy. CONCLUSION: Within our baseline assumptions, integrated serum screening was the most cost-effective screening strategy for Down syndrome. If the cost of nuchal translucency is less than dollars 57 or when genetic sonogram is included in the second-trimester strategies, first-trimester combined screening became the most cost-effective strategy. LEVEL OF EVIDENCE: III.
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 | 0,006 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».