Cost effectiveness of treating endemic Burkitt lymphoma in Uganda.
Notice bibliographique
Résumé
e18339 Background: Despite high cure rates achieved in high-income countries, outcomes for children with Burkitt lymphoma (BL) in most low- and middle-income countries (LMICs) remain suboptimal. Perceptions of high cost and resource intensity remain political barriers to the prioritization of BL and other childhood cancer treatment programs in many LMIC health systems. Little to no knowledge exists of the actual cost and cost-effectiveness of treating paediatric cancers in LMICs. To improve outcomes for children with BL, the Uganda Cancer Institute implemented a comprehensive BL treatment program in 2012. Drawing on centralized patient-level data, we undertook an economic evaluation of the program to ascertain the cost-effectiveness of BL therapy in a specific LIC setting. Methods: We compared the treatment of BL (local standard) to usual care (no care), in a cohort of 215 patients treated between 2012 and 2015. Costs included direct, indirect healthcare, and indirect patient costs. Our primary measure of effectivenesswas overall survival (OS). Patient outcomes were determined through electronic chart abstraction. The cost per DALY averted was calculated using WHO-CHOICE methodology and compared to standard definitions of cost-effectiveness. Results: The 2-year OS with treatment was 53% (95% CI, 43% to 62%). Nine percent of patients abandoned therapy. The cost per DALY averted in the treatment group was US$78. Cumulative estimate of national DALYs averted through treatment was 11,046 years, and the total national cost of treatment was US$755,216. The ratio of cost per DALY averted to per capita gross domestic product (GDP) was 0.12, reflecting a very cost-effective intervention. Conclusions: This study demonstrates that treating BL with locally tailored protocols is very cost-effective relative to per capita GDP in Uganda. Studies of this kind will furnish crucial evidence to assist policymakers prioritize the allocation of LMIC health system resources among NCDs, including childhood cancer.
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 | 0,003 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».