Evaluating Partitioned Survival and Markov Decision-Analytic Modeling Approaches for Use in Cost-Effectiveness Analysis: Estimating and Comparing Survival Outcomes
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
OBJECTIVE: The objective of this study was to assess long-term survival outcomes for nivolumab and everolimus in renal cell carcinoma predicted by three model structures, a partitioned survival model (PSM) and two variations of a semi-Markov model (SMM), for use in cost-effectiveness analyses. METHODS: Three economic model structures were developed and populated using parametric curves fitted to patient-level data from the CheckMate 025 trial. Models consisted of three health states: progression-free, progressed disease, and death. The PSM estimated state occupancy using an area under-the-curve approach from overall survival (OS) and progression-free survival (PFS) curves. The SMMs derived transition probabilities to calculate patient flow between health states. One SMM assumed that post-progression survival (PPS) was independent of PFS duration (PPS Markov); the second SMM assumed differences in PPS based on PFS duration (PPS-PFS Markov). RESULTS: All models provide a reasonable fit to the observed OS data at 2 years. For estimating cost effectiveness, however, a more relevant comparison is between estimates of OS over the modeling horizon, because this will likely impact differences in costs and quality-adjusted life-years. Estimates of the incremental mean survival benefit of nivolumab versus everolimus over 20 years were 6.6 months (PSM), 7.6 months (PPS Markov), and 7.4 months (PPS-PFS Markov), reflecting non-trivial differences of + 14% and + 11%, respectively, compared with PSM. CONCLUSIONS: The evidence from this study and previous work highlights the importance of the assumptions underlying any model structure, and the need to validate assumptions regarding survival and the application of treatment effects against what is known about the characteristics of the disease.
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 | 0,025 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle