Clinical impact and cost-effectiveness of integrating smoking cessation into lung cancer screening: a microsimulation model
Notice bibliographique
Résumé
BACKGROUND: Low-dose computed tomography (CT) screening can reduce lung cancer mortality in people at high risk; adding a smoking cessation intervention to screening could further improve screening program outcomes. This study aimed to assess the impact of adding a smoking cessation intervention to lung cancer screening on clinical outcomes, costs and cost-effectiveness. METHODS: Using the OncoSim-Lung mathematical microsimulation model, we compared the projected lifetime impact of a smoking cessation intervention (nicotine replacement therapy, varenicline and 12 wk of counselling) in the context of annual low-dose CT screening for lung cancer in people at high risk to lung cancer screening without a cessation intervention in Canada. The simulated population consisted of Canadians born in 1940-1974; lung cancer screening was offered to eligible people in 2020. In the base-case scenario, we assumed that the intervention would be offered to smokers up to 10 times; each intervention would achieve a 2.5% permanent quit rate. Sensitivity analyses varied key model inputs. We calculated incremental cost-effectiveness ratios with a lifetime horizon from the health system's perspective, discounted at 1.5% per year. Costs are in 2019 Canadian dollars. RESULTS: Offering a smoking cessation intervention in the context of lung cancer screening could lead to an additional 13% of smokers quitting smoking. It could potentially prevent 12 more lung cancers and save 200 more life-years for every 1000 smokers screened, at a cost of $22 000 per quality-adjusted life-year (QALY) gained. The results were most sensitive to quit rate. The intervention would cost over $50 000 per QALY gained with a permanent quit rate of less than 1.25% per attempt. INTERPRETATION: Adding a smoking cessation intervention to lung cancer screening is likely cost-effective. To optimize the benefits of lung cancer screening, health care providers should encourage participants who still smoke to quit smoking.
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 | 0,007 |
| 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 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».