Systematic Review of Costs and Effects of Self-Management Interventions for Chronic Musculoskeletal Pain: Spotlight on Analytic Perspective and Outcomes Assessment
Notice bibliographique
Résumé
Background: Evidence for the cost-effectiveness of self-management interventions for chronic musculoskeletal pain (CMP) lacks consensus, which may be due to variability in the costing methods employed. Purpose: The purposes of the study were to identify how costs and effects have been assessed in economic analysis of self-management interventions for CMP and to identify the effect of the chosen analytical perspective on cost-effectiveness conclusions. Data Sources: Five databases were searched for all study designs using relevant terms. Study Selection: Two independent researchers reviewed all titles for predefined inclusion criteria: adults (≥18 years of age) with CMP, interventions with a primary aim of promoting self-management, and conducted a cost analysis. Data Extraction: Descriptive data including population, self-management intervention, analytical perspective, and costs and effects measured were collected by one reviewer and checked for accuracy by a second reviewer. Data Synthesis: Fifty-seven studies were identified: 65% (n = 37) chose the societal perspective, of which 89% (n = 33) captured health care utilization, 92% (n = 34) reported labor productivity, 65% (n = 24) included intervention delivery, and 59% (n = 22) captured patient/family costs. Types of costs varied in all studies. Eight studies conducted analyses from both health service and societal perspectives; cost-effectiveness estimates varied with perspective chosen, but in no case was the difference sufficient to change overall policy recommendations. Limitations: Chronic musculoskeletal pain conditions where self-management is recommended, but not as a primary treatment, were excluded. Gray literature was excluded. Conclusion: Substantial heterogeneity in the cost components captured in the assessment of self-management for CMP was found; this was independent of the analytic perspective used. Greater efforts to ensure complete and consistent costings are required if reliable cost-effectiveness evidence of self-management interventions is to be generated and to inform the most appropriate perspective for economic analyses in this field.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| 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 ».