Cost‐effectiveness analysis of potentially curative and combination treatments for hepatocellular carcinoma with person‐level data in a Canadian setting
Notice bibliographique
Résumé
Patients with early-stage hepatocellular carcinoma (HCC) are potential candidates for curative treatments such as radiofrequency ablation (RFA), surgical resection (SR), or liver transplantation (LT), which have demonstrated a significant survival benefit. We aimed to estimate the cost-effectiveness of curative and combination treatment strategies among patients diagnosed with HCC during 2002-2010. This study used Ontario Cancer Registry-linked administrative data to estimate effectiveness and costs (2013 USD) of the treatment strategies from the healthcare payer's perspective. Multiple imputation by logistic regression was used to handle missing data. A net benefit regression approach of baseline important covariates and propensity score adjustment were used to calculate incremental net benefit to generate incremental cost-effectiveness ratio (ICER) and uncertainty measures. Among 2,222 patients diagnosed with HCC, 10.5%, 14.1%, and 10.3% received RFA, SR, and LT monotherapy, respectively; 0.5-3.1% dual treatments; and 0.5% triple treatments. Compared with no treatment (53.2%), transarterial chemoembolization (TACE) + RFA (average $2,465, 95% CI: -$20,000-$36,600/quality-adjusted life years [QALY]) or RFA monotherapy ($15,553, 95% CI: $3,500-$28,500/QALY) appears to be the most cost-effective modality with lowest ICER value. The cost-effectiveness acceptability curve showed that if the relevant threshold was $50,000/QALY, RFA monotherapy and TACE+ RFA would have a cost-effectiveness probability of 100%. Strategies using LT delivered the most additional QALYs and became cost-effective at a threshold of $77,000/QALY. Our findings found that TACE+ RFA dual treatment or RFA monotherapy appears to be the most cost-effective curative treatment for patients with potential early stage of HCC in Ontario. These findings highlight the importance of identifying and measuring differential benefits, costs, and cost-effectiveness of alternative HCC curative treatments in order to evaluate whether they are providing good value for money in the real world.
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) | 0,001 | 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 ».