A Cost-Minimization Analysis of Nurse-Led Virtual Case Management in Late-Stage CKD
Notice bibliographique
Résumé
INTRODUCTION: Interventions are needed to improve early detection of indications for dialysis before development of severe symptoms or complications. This may reduce suboptimal dialysis starts, prevent hospitalizations, and decrease costs. Our objectives were to explore assumptions around a nurse-led virtual case management intervention for patients with late-stage chronic kidney disease (CKD) with a 2-year Kidney Failure Risk Equation (KFRE) estimated risk of kidney failure ≥80% and to estimate how these assumptions affect potential cost savings. METHODS: We performed a cost-minimization analysis by developing a decision analytic microsimulation model constructed from the perspective of the health payer. Our primary outcome was the break-even point, defined as the maximum amount a health payer could spend on the intervention without incurring any net financial loss or gain. The intervention group received remote telemonitoring, including daily measurement of several health metrics (blood pressure, oxygen saturation, and weight), and a validated symptom questionnaire accompanied by nurse-led case management, whereas the comparator group received usual care. We assumed patients received the intervention for a maximum of 2 years. RESULTS: The break-even point was $7339 per late-stage CKD patient enrolled in the intervention. Based on the distribution of time receiving the intervention, we determined a maximum monthly intervention cost of $703.37. In probabilistic sensitivity analyses, we found that 75% of simulations produced break-even points between $3929 and $9460. CONCLUSION: Nurse-led virtual home monitoring interventions in patients with CKD at high risk of kidney failure have the potential for significant cost savings from the perspective of the health payer.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,002 | 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 ».