Cost-effectiveness of prenatal screening and diagnostic strategies for Down syndrome: A microsimulation modeling analysis
Notice bibliographique
Résumé
OBJECTIVES: Down syndrome (DS) is the most frequently occurring fetal chromosomal abnormality and different prenatal screening strategies are used for determining risk of DS worldwide. New non-invasive prenatal testing (NIPT), which uses cell-free fetal DNA in maternal blood can provide benefits due to its higher sensitivity and specificity in comparison to conventional screening tests. This study aimed to assess the cost-effectiveness of using population-level NIPT in fetal aneuploidy screening for DS. METHODS: We developed a microsimulation decision-analytic model to perform a probabilistic cost-effectiveness analysis (CEA) of prenatal screening and diagnostic strategies for DS. The model followed individual simulated pregnant women through the pregnancy pathway. The comparators were serum-only screening, contingent NIPT (i.e., NIPT as a second-tier screening test) and universal NIPT (i.e., NIPT as a first-tier screening test). To address uncertainty around the model parameters, the expected values of costs and quality-adjusted life-years (QALYs) in the base case and all scenario analyses were obtained through probabilistic analysis from a Monte Carlo simulation. RESULTS: Base case and scenario analyses were conducted by repeating the micro-simulation 1,000 times for a sample of 45,605 pregnant women per the population of British Columbia, Canada (N = 4.8 million). Preliminary results of the sequential CEAs showed that contingent NIPT was a dominant strategy compared to serum-only screening. Compared with contingent NIPT, universal NIPT at the current test price was not cost-effective with an incremental cost-effectiveness ratio over $100,000/QALY. Contingent NIPT also had the lowest cost per DS case detected among these three strategies. CONCLUSION: Including NIPT in existing prenatal screening for DS is shown to be beneficial over conventional testing. However, at current prices, implementation of NIPT as a second-tier screening test is more cost-effective than deploying it as a universal test.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».