Use of Decision Analysis and Economic Evaluation in Upper Extremity Surgery: A Systematic Review
Notice bibliographique
Résumé
BACKGROUND: Decision analysis allows clinicians to apply evidence-based medicine to guide objective decisions in uncertain scenarios. There is no comprehensive review summarizing the various decision analysis tools used. The authors aimed to appraise and review the decision analytic models used in hand surgery. METHODS: A search of English articles on the PubMed, Ovid, and Embase databases was performed. All articles, regardless of date of publishing, were considered. Two reviewers, based on strict inclusion criteria, independently assessed each article. RESULTS: The search resulted in 5525 abstracts, which yielded 30 studies that met inclusion criteria. Included studies were grouped according to medical indications, with scaphoid fractures (n = 6) and carpal tunnel syndrome (n = 5) being the most commonly reported. Included articles used decision analysis (n = 15) and/or economic analyses (n = 23) to discuss diagnostic strategies or compare treatments. The three most common outcomes reported were utility (n = 12), cost per quality-adjusted life-year (n = 16), and quality-adjusted life-years (n = 16). The decision analysis models compared diagnostic strategies, management options, and novel treatments. CONCLUSIONS: Decision analysis is increasingly popular in hand surgery. It is useful for comparing surgical strategies through evaluation of quality-of-life outcomes and costing data. The most common model was a simple decision tree. The quality of decision analysis models can be improved with the addition of sensitivity analysis. Surgeons should be familiar with the principles of decision analysis, so that complex decisions can be evaluated using rigorous probabilistic models that combine risks and benefits of multiple strategies.
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 | 0,006 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,010 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| 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 ».