An exploratory case study of the impact of expanding cost-effectiveness analysis for second-line nivolumab for patients with squamous non-small cell lung cancer in Canada: Does it make a difference?
Notice bibliographique
Résumé
INTRODUCTION: Health technology appraisal agencies often rely on cost-effectiveness analyses to inform coverage decisions for new treatments. These assessments, however, frequently measure a treatment's value from the payer's perspective, and may not capture value generated from reduced caregiving costs, increased productivity, value based on patient risk preferences, option value or the insurance value to non-patients. METHODS: To examine how using a broader societal perspective of treatment value affects cost-effectiveness estimates, this case study analyzed the net monetary benefit (NMB) of second-line nivolumab treatment of patients with squamous non-small cell lung cancer (NSCLC) in Canada. The comparator was treatment with docetaxel. NMB was measured from three perspectives: (i) traditional payer, (ii) traditional societal and (iii) broad societal. RESULTS: Nivolumab was more effective (increased quality-adjusted life years by 0.66 versus docetaxel), but also increased costs by $100,168 CAD. When valuing a quality-adjusted life year at $150,000, the net monetary benefit from the payer perspective suggested that costs modestly exceed benefits (NMB: -$1031). Adopting a societal perspective, however, nivolumab's benefits outweighed its costs (NMB: +$6752 and +$91,084 from the traditional and broad societal perspectives, respectively). CONCLUSION: Broadening cost-effectiveness analysis beyond the traditional payer perspective had a significant impact on the result and should be considered in order to capture all treatment benefits and costs of societal relevance.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».