Cost‐Effectiveness in Global Surgery: Pearls, Pitfalls, and a Checklist
Notice bibliographique
Résumé
INTRODUCTION: Cost-effectiveness analysis can be a powerful policy-making tool. In the two decades since the first cost-effectiveness analyses in global surgery, the methodology has established the cost-effectiveness of many types of surgery in low- and middle-income countries (LMICs). However, with the crescendo of cost-effectiveness analyses in global surgery has come vast disparities in methodology, with only 15% of studies adhering to published guidelines. This has led to results that have varied up to 150-fold. METHODS: The theoretical basis, common pitfalls, and guidelines-based recommendations for cost-effectiveness analyses are reviewed, and a checklist to be used for cost-effectiveness analyses in global surgery is created. RESULTS: Common pitfalls in global surgery cost-effectiveness analyses fall into five categories: the analytic perspective, cost measurement, effectiveness measurement, probability estimation, valuation of the counterfactual, and heterogeneity and uncertainty. These are reviewed in turn, and a checklist to avoid these pitfalls is developed. CONCLUSION: Cost-effectiveness analyses, when done rigorously, can be very useful for the development of efficient surgical systems in LMICs. This review highlights the common pitfalls in these analyses and methods to avoid these pitfalls.
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 | 0,098 | 0,276 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,007 | 0,006 |
| Bibliométrie | 0,021 | 0,015 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,009 | 0,013 |
| Science ouverte | 0,009 | 0,005 |
| Intégrité de la recherche | 0,006 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».