MétaCan
Menu
Retour à la cohorte
Enregistrement W2611893844 · doi:10.1186/s12916-017-0859-8

A cluster-randomized trial to reduce caesarean delivery rates in Quebec: cost-effectiveness analysis

2017· article· en· W2611893844 sur OpenAlexafffundabout
Mira Johri, Edmond S. W. Ng, Clara Bermúdez‐Tamayo, Jeffrey S. Hoch, Thiérry Ducruet, Nils Chaillet

Notice bibliographique

RevueBMC Medicine · 2017
Typearticle
Langueen
DomaineMedicine
ThématiqueMaternal and Perinatal Health Interventions
Établissements canadiensCentre hospitalier de l'Université LavalCentre Hospitalier Universitaire Sainte-JustineUniversity of TorontoSt. Michael's HospitalCentre Hospitalier Universitaire de SherbrookeUniversité de MontréalCentre Hospitalier de l’Université de Montréal
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésMedicineCaesarean sectionRandomized controlled trialConfidence intervalCluster randomised controlled trialAdverse effectPregnancyHealth careCluster (spacecraft)Clinical trialEmergency medicineObstetricsPediatricsSurgeryInternal medicine

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Widespread increases in caesarean section (CS) rates have sparked concerns about risks to mothers and infants and rising healthcare costs. A multicentre, two-arm, cluster-randomized trial in Quebec, Canada assessed whether an audit and feedback intervention targeting health professionals would reduce CS rates for pregnant women compared to usual care, and concluded that it reduced CS rates without adverse effects on maternal or neonatal health. The effect was statistically significant but clinically small. We assessed cost-effectiveness to inform scale-up decisions. METHODS: A prospective economic evaluation was undertaken using individual patient data from the Quality of Care, Obstetrics Risk Management, and Mode of Delivery (QUARISMA) trial (April 2008 to October 2011). Analyses took a healthcare payer perspective. The time horizon captured hospital-based costs and clinical events for mothers and neonates from labour onset to 3 months postpartum. Resource use was identified and measured from patient charts and valued using standardized government sources. We estimated the changes in CS rates and costs for the intervention group (versus controls) between the baseline and post-intervention periods. We examined heterogeneity between clinical subgroups of high-risk versus low-risk pregnancies and estimated the joint uncertainty in cost-effectiveness over 20,000 trial simulations. We decomposed costs to identify drivers of change. RESULTS: The intervention group experienced per-patient reductions of 0.005 CS (95% confidence interval (CI): -0.015 to 0.004, P = 0.09) and $180 (95% CI: -$277 to - $83, P < 0.001). Women with low-risk pregnancies experienced statistically significant reductions in CS rates and costs; changes for the high-risk subgroup were not significant. The intervention was "dominant" (effective in reducing CS and less costly than usual care) in 86.08% of simulations. It reduced costs in 99.99% of simulations. Cost reductions were driven by lower rates of neonatal complications in the intervention group (-$190, 95% CI: -$255 to - $125, P < 0.001). Given 88,000 annual provincial births, a similar intervention could save $15.8 million (range: $7.3 to $24.4 million) in Quebec annually. CONCLUSIONS: From a healthcare payer perspective, a multifaceted intervention involving audits and feedback resulted in a small reduction in caesarean deliveries and important cost savings. Cost reductions are consistent with improved quality of care in intervention group hospitals. TRIAL REGISTRATION: International Clinical Trials Registry Platform, ISRCTN95086407 . Registered on 23 October 2007.

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)0,003
score de la tête « metaresearch » (Gemma)0,003
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: Essai randomisé · Signal consensuel: Essai randomisé
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,168
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,086
Tête enseignante GPT0,435
Écart entre enseignants0,349 · 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'étudeEssai randomisé
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

Citations36
Publié2017
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueBMC MedicineMême sujetMaternal and Perinatal Health InterventionsTravaux en français237 207