Pharmacist prescribing and care improves cardiovascular risk, but is it cost-effective? A cost-effectiveness analysis of the R <sub>x</sub> EACH study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: EACH randomized trial demonstrated that community pharmacist prescribing and care reduced the risk for cardiovascular (CV) events by 21% compared to usual care. OBJECTIVE: To evaluate the economic impact of pharmacist prescribing and care for CV risk reduction in a Canadian setting. METHODS: EACH was extrapolated over 30 years, with costs and health outcomes discounted at 1.5% per year. The model incorporated health outcomes, costs and quality of life to estimate overall cost-effectiveness. It was assumed that the intervention would be 50% effective after 10 years. Individual-level results were scaled up to population level based on published statistics (29.2% of Canadian adults are at high risk for CV events). Costs considered included direct medical costs as well as the costs associated with implementing the pharmacist intervention. Uncertainty was explored via probabilistic sensitivity analysis. RESULTS: It is estimated that the Canadian health care system would save more than $4.4 billion over 30 years if the pharmacist intervention were delivered to 15% of the eligible population. Pharmacist care would be associated with a gain of 576,689 quality-adjusted life years and avoid more than 8.9 million CV events. The intervention is economically dominant (i.e., it is both more effective and reduces costs when compared to usual care). CONCLUSION: Across a range of 1-way and probabilistic sensitivity analyses of key parameters and assumptions, pharmacist prescribing and care are both more effective and cost-saving compared to usual care. Canadians need and deserve such care.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découle