Cost‐effectiveness of early cancer surveillance for patients with Li–Fraumeni syndrome
Notice bibliographique
Résumé
INTRODUCTION: Patients with germline TP53 pathogenic variants (Li-Fraumeni syndrome [LFS]) are at extremely high lifetime risk of developing cancer. Recent data suggest that tumor surveillance for patients with LFS may improve survival through early cancer detection. The objective of this study was to assess the cost-effectiveness of a cancer surveillance strategy for patients with LFS compared with those whose tumors present clinically. METHODS: A Markov decision analytic model was developed from a third-party payer perspective to estimate cost-effectiveness of routine cancer surveillance over a patient's lifetime. The model consisted of four possible health states: no cancer, cancer, post-cancer survivorship, and death. Model outcomes were costs (2015 United States Dollars [USD]), effectiveness (life years [LY] gained), and incremental cost-effectiveness ratio (ICER; change in cost/LY gained). One-way sensitivity analyses and probabilistic sensitivity analyses examined parameter uncertainty. RESULTS: The model showed a mean cost of $46 496 and $117 102 and yielded 23 and 27 LY for the nonsurveillance and surveillance strategies, respectively. The ICER for early cancer surveillance versus no surveillance was $17 125 per additional LY gained. At the commonly accepted willingness to pay threshold of $100 000/life-year gained, surveillance had a 98% probability of being the most cost-effective strategy for early cancer detection in this high-risk population. CONCLUSIONS: Presymptomatic cancer surveillance is cost-effective for patients with germline pathogenic variants in TP53. Lack of insurance coverage or reimbursement in this population may have significant consequences and leads to undetected cancers presenting in later stages of disease with worse clinical outcomes.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 ».