Can administrative data improve the performance of clinical trial economic analyses?
Notice bibliographique
Résumé
2 Background: Economic analyses of trials often rely on trial-collected health resource utilization data, which is expensive and may be incompletely recorded. We investigated whether routinely collected health administrative data (RCD) can be utilized to improve trial economic analysis performance. Methods: Health administrative data was probabilistically linked to Ontario patient data from the Canadian Cancer Trials Group CO.17 trial (n = 572), evaluating cetuximab plus best supportive care (n = 75 linked Ontario patients) versus best supportive care alone (n = 73). Completeness of trial data was compared to RCD. Cost-effectiveness in 2007 Canadian dollars was determined using RCD up to trial date of last contact (DOLC), and up to RCD DOLC. Incremental cost effectiveness ratio (ICER) confidence intervals (CI) were determined using bootstrapping with 5000 iterations. Cost-effectiveness acceptability curves were determined. Sensitivity analyses were performed. Results: Among 148 Ontario patients, up to trial DOLC, RCD vital status was concordant in > 96%. 29 deaths occurred after trial DOLC. Up to trial DOLC there were 34 net additional hospitalizations in RCD, and 28 net additional emergency room visits. Using RCD, total cetuximab group costs were $3,023,034, and $1,191,118 for best supportive care alone up to trial DOLC. Cost difference was driven by cetuximab drug costs ($1,531,370). Using RCD, the ICER was $211,128 per life-year gained (90% CI: $101,396, $694,950) when data was limited to trial DOLC, and $164,378 (90% CI: -$138,260, $644,555) using routinely collected data DOLC. ICER estimates were similar to the original economic analysis using trial-collected data ($199,742 (95% CI $125,973, $652,492)). Estimates were robust in sensitivity analysis. Conclusions: Administrative data were more complete than trial-collected utilization data, even under optimal conditions. There was also longer follow-up. We found that cost differences were robust to varying costing assumptions. Our findings demonstrate the potential of administrative data sources to relieve institutions, sponsors and patients from the burden of collecting key utilization information which requires considerable effort and cost.
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 | 0,596 | 0,869 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,008 |
| Bibliométrie | 0,008 | 0,016 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,012 | 0,009 |
| Science ouverte | 0,005 | 0,006 |
| Intégrité de la recherche | 0,004 | 0,006 |
| 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».