Interventions for people at <scp>ultra‐high</scp> risk for psychosis: A systematic review of economic evaluations
Notice bibliographique
Résumé
AIM: Psychotic disorders have long-term negative consequences for functioning and quality of life. Ultra-high risk (UHR) programs aim to identify and treat people during the prodromal period before their first psychotic episode. Though studies on the clinical effectiveness of treating prodromal symptoms in people at UHR for psychosis exist, no review has exclusively and comprehensively evaluated the economic impact of UHR programs. Our objective was to systematically review the literature on economic evaluations of UHR programs. METHODS: We searched the Cochrane, EMBASE, MEDLINE, and PsycInfo electronic databases, in addition to grey literature, from inception to March 2020 to identify economic evaluations of UHR programs. We included all cost and cost-effectiveness studies of interventions for people at UHR. The data were synthesized qualitatively, and a risk of bias assessment was performed. RESULTS: Of the 1916 articles retrieved, six studies met our inclusion criteria. These included three cost analysis studies and three cost-effectiveness studies. Five studies were conducted from the health system perspective and the time horizon varied between six months and ten years. Only two reported quality-adjusted life-years (QALYs) as their outcome. Overall, all cost-effectiveness studies and one cost analysis suggested that UHR programs were cost-effective and cost saving, respectively. The risk of bias assessment suggested moderate levels of bias across all studies. CONCLUSION: Economic evaluations of UHR programs varied in terms of outcomes and length of follow-up; however, most studies found them to be cost-effective. Future studies would benefit from long-term evaluations of UHR programs and consistent valuation of outcomes.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,007 |
| Bibliométrie | 0,001 | 0,000 |
| 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) | 0,000 | 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 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 ».