MétaCan
Menu
Retour à la cohorte
Enregistrement W2434288623 · doi:10.1097/coc.0000000000000307

Cost-effectiveness of Management Options for Small Renal Mass

2016· review· en· W2434288623 sur OpenAlexaboutno aff
Ye Wang, Yu‐Wei Chen, Jeffrey J. Leow, Alison Levy, Steven L. Chang, Francisco-Hammerschmidt Gelpi

Notice bibliographique

RevueAmerican Journal of Clinical Oncology · 2016
Typereview
Langueen
DomaineMedicine
ThématiqueRenal cell carcinoma treatment
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMedicineRenal massNephrectomyCost effectivenessSurgeryVariety (cybernetics)Intensive care medicineGeneral surgeryMedical physicsKidneyRisk analysis (engineering)Internal medicine

Résumé

récupéré en direct d'OpenAlex

Costs of surgery for small renal masses (SRMs) are high. This study aimed to systematically review and evaluate the cost-effectiveness analyses of management options for SRMs. Six databases were searched from inception to August 2015. Inclusion criteria were full original research, full economic evaluation of management options for SRM, and written in English. Among 776 studies screened, 6 met the inclusion criteria. Ablation was cost-effective versus nephron-sparing surgery. Laparoscopic partial nephrectomy was cost-effective versus the open approach. Renal mass biopsy dominated immediate treatment in the United States, but not in Canada. According to the Consolidated Health Economic Evaluation Reporting Standards, all the studies had relatively good quality. Despite the observed evidence, future research is needed to fill in the knowledge gap. A few suggestions should be kept in mind such as conducting the cost-effectiveness analysis in a variety of countries.

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)0,005
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,986
Score d'incertitude au seuil0,932

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0080,003
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,313
Tête enseignante GPT0,532
Écart entre enseignants0,219 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
Domainenon disponible
GenreSynthèse

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

En bref

Citations15
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAmerican Journal of Clinical OncologyMême sujetRenal cell carcinoma treatmentTravaux en français237 207