Cost-Effectiveness Studies in the ICU: A Systematic Review*
Notice bibliographique
Résumé
OBJECTIVES: Cost-effectiveness analyses are increasingly used to aid decisions about resource allocation in healthcare; this practice is slow to translate into critical care. We sought to identify and summarize original cost-effectiveness studies presenting cost per quality-adjusted life year, incremental cost-effectiveness ratios, or cost per life-year ratios for treatments used in ICUs. DESIGN: We conducted a systematic search of the English-language literature for cost-effectiveness analyses published from 1993 to 2018 in critical care. Study quality was assessed using the Drummond checklist. SETTING: Critical care units. PATIENTS OR SUBJECTS: Critical care patients. INTERVENTIONS: Identified studies with cost-effectiveness analyses. MEASUREMENTS AND MAIN RESULTS: We identified 97 studies published through 2018 with 156 cost-effectiveness ratios. Reported incremental cost-effectiveness ratios ranged from -$119,635 (hypothetical cohort of patients requiring either intermittent or continuous renal replacement therapy) to $876,539 (data from an acute renal failure study in which continuous renal replacement therapy was the most expensive therapy). Many studies reported favorable cost-effectiveness profiles (i.e., below $50,000 per life year or quality-adjusted life year). However, several therapies have since been proven harmful. Over 2 decades, relatively few cost-effectiveness studies in critical care have been published (average 4.6 studies per year). There has been a more recent trend toward using hypothetical cohorts and modeling scenarios without proven clinical data (2014-2018: 19/33 [58%]). CONCLUSIONS: Despite critical care being a significant healthcare cost burden there remains a paucity of studies in the literature evaluating its cost effectiveness.
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 | 0,047 | 0,106 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,012 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,003 |
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; les deux têtes enseignantes 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 ».