An assessment of differences in costs and health benefits of serology and <scp>NAT</scp> screening of donations for blood transfusion in different Western countries
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: The cost-utility of safety interventions is becoming increasingly important as a driver of implementation decisions. The aim of this study was to compare the cost-utility of different blood screening strategies in various settings, and to analyse the extent and cause of differences in health economic results. MATERIALS AND METHODS: For eight Western countries (Australia, Canada, Denmark, Finland, France, The Netherlands, UK and the United States of America), data were collected on donor and recipient populations, blood products, screening tests, and on patient treatment practices and costs. An existing ISBT web-tool model was used to assess the cost-utility of various strategies for HIV, HCV and HBV screening. RESULTS: The cost-utility ratio of serology screening for these eight countries ranges between -11 000 and 92 000 US$ per QALY, and for NAT between -12 000 and 113 000 US$ per QALY when compared to no screening. Combined serology and NAT ranges between 600 and 217 000 US$ per QALY. The incremental cost-utility of NAT after implementation of serology screening ranges from 2 231 000 to 15 778 000 US$ per QALY. CONCLUSION: There are substantial differences in costs per QALY between countries for various HIV, HBV and HCV screening strategies. These differences are primarily caused by costs of screening tests and infection rates in the donor population. Within each country, similar cost per QALY results for serology and NAT compared to no screening, coupled with evidence of limited value of serology and NAT together prompts the need for further discussion on the acceptability of parallel testing by serology and NAT.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».