Making sense of cost-effectiveness analyses in respiratory medicine: a practical guide for non-health economists
Notice bibliographique
Résumé
We live in a world of great advances in respiratory care, but at the same time, we are facing increasing budget constraints. In such a world, the use of any intervention is associated with “opportunity loss”: the benefit forgone by not using alternative interventions. Take the example of biologicals for severe asthma ( e.g. mepolizumab) or lung cancer ( e.g. nivolumab), with annual costs of around EUR 15 000 and >EUR 100 000 per patient, respectively. The concept of opportunity loss applies whenever decisions are made, either by physicians in clinical practice who have to decide which treatment patients receive, or by health policymakers during the approval process of new interventions for market entrance. If resources are spent on these medications, it means that there will be less budget available for other interventions. In respiratory medicine, interventions could involve pharmacological treatments, but also new bronchoscopic procedures, biomarker tests, diagnostics or other health technologies [1–4]. Cost-effectiveness analyses explained: their current and future role in respiratory policy decision making and daily clinical practice
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 | 0,103 | 0,250 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,003 |
| Méta-épidémiologie (sens large) | 0,006 | 0,003 |
| Bibliométrie | 0,009 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,009 |
| Communication savante | 0,010 | 0,015 |
| Science ouverte | 0,009 | 0,006 |
| Intégrité de la recherche | 0,013 | 0,027 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,012 |
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 ».