MétaCan
Menu
Retour à la cohorte
Enregistrement W2936510582 · doi:10.1177/0272989x19837969

Toward a Centralized, Systematic Approach to the Identification, Appraisal, and Use of Health State Utility Values for Reimbursement Decision Making: Introducing the Health Utility Book (HUB)

2019· article· en· W2936510582 sur OpenAlexaff
Feng Xie, Michael J. Zoratti, Kelvin Chan, Don Husereau, Murray Krahn, Oren Levine, Tammy Clifford, Holger J. Schünemann, Gordon Guyatt

Notice bibliographique

RevueMedical Decision Making · 2019
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealth Systems, Economic Evaluations, Quality of Life
Établissements canadiensInstitute of Health EconomicsUniversity of OttawaPublic Health OntarioSunnybrook Health Science CentreUniversity of TorontoMcMaster UniversityHealth Sciences CentreImpact
Organismes subventionnairesnon disponible
Mots-clésReimbursementHealth careIdentification (biology)Quality (philosophy)Actuarial scienceChecklistMedicineRisk analysis (engineering)Operations managementManagement scienceBusinessEconomicsPsychology

Résumé

récupéré en direct d'OpenAlex

Cost-utility analysis (CUA) is a widely recommended form of health economic evaluation worldwide. The outcome measure in CUA is quality-adjusted life-years (QALYs), which are calculated using health state utility values (HSUVs) and corresponding life-years. Therefore, HSUVs play a significant role in determining cost-effectiveness. Formal adoption and endorsement of CUAs by reimbursement authorities motivates methodological advancement in HSUV measurement and application. A large body of evidence exploring various methods in measuring HSUVs has accumulated, imposing challenges for investigators in identifying and applying HSUVs to CUAs. First, large variations in HSUVs between studies are often reported, and these may lead to different cost-effectiveness conclusions. Second, issues concerning the quality of studies that generate HSUVs are increasingly highlighted in the literature. This issue is compounded by the limited published guidance and methodological standards for assessing the quality of these studies. Third, reimbursement decision making is a context-specific process. Therefore, while an HSUV study may be of high quality, it is not necessarily appropriate for use in all reimbursement jurisdictions. To address these issues, by promoting a systematic approach to study identification, critical appraisal, and appropriate use, we are developing the Health Utility Book (HUB). The HUB consists of an HSUV registry, a quality assessment tool for health utility studies, and a checklist for interpreting their use in CUAs. We anticipate that the HUB will make a timely and important contribution to the rigorous conduct and proper use of health utility studies for reimbursement decision making. In this way, health care resource allocation informed by HSUVs may reflect the preferences of the public, improve health outcomes of patients, and maintain the efficiency of health care systems.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,106
score de la tête « metaresearch » (Gemma)0,047
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesMétarecherche
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,890
Score d'incertitude au seuil0,961

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,1060,047
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0020,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,340
Tête enseignante GPT0,469
Écart entre enseignants0,129 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations23
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedical Decision MakingMême sujetHealth Systems, Economic Evaluations, Quality of LifeTravaux en français237 207