Using Cost-Effectiveness Analysis to Quantify the Value of Genomic-Based Diagnostic Tests: Recommendations for Practice and Research
Notice bibliographique
Résumé
AIMS: New sequencing technologies allow increased opportunities to use genomic-based diagnostic tests (genomic tests) in routine clinical practice, which will impact healthcare budgets and patients' outcomes. This article aims to generate a list of recommendations on how the principles and methods of cost-effectiveness analysis (CEA) can be used to quantify the costs and benefits of genomic tests. METHODS: A systematic literature search identified publications describing the use of CEA to evaluate genomic tests. Data were extracted as key concepts to produce a thematic list of previously described challenges and solutions to using CEA to evaluate genomic tests. Defining features of evaluating genomic tests were categorized into a list of key recommendations for applying methods in practice and for research needs. RESULTS: Features producing challenges in the implementation of CEA to evaluate genomic tests were as follows: the ability of the tests to diagnose multiple disorders; potential consequences for future generations suggesting an infinite time horizon; and the potential need to consider nonhealth benefits. CONCLUSIONS: CEA was identified as an appropriate evaluative framework for genomic tests, although standard methods may need modification and important method research questions remain. Key recommendations suggest a need for research to reflect: sharing genomic information across generations; genomic tests for multiple disorders; and health and nonhealth benefits.
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 | 0,083 | 0,208 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,008 |
| Bibliométrie | 0,012 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,008 | 0,007 |
| Science ouverte | 0,006 | 0,002 |
| Intégrité de la recherche | 0,006 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».