The cost‐effectiveness of treating childhood cancer in 4 centers across sub‐Saharan Africa
Notice bibliographique
Résumé
BACKGROUND: The treatment of childhood cancer often is assumed to be costly in African settings, thereby limiting advocacy and policy efforts. The authors determined the cost and cost-effectiveness of maintaining childhood cancer centers across 4 hospitals throughout sub-Saharan Africa. METHODS: Within hospitals representing 4 countries (Kenya, Nigeria, Tanzania, and Zimbabwe), cost was determined either retrospectively or prospectively for all inputs related to operating a pediatric cancer unit (eg, laboratory costs, medications, and salaries). Cost-effectiveness was calculated based on the annual number of newly diagnosed patients, survival rates, and life expectancy. RESULTS: Cost per new diagnosis ranged from $2400 to $31,000, attributable to variances with regard to center size, case mix, drug prices, admission practices, and the treatment abandonment rate, which also affected survival. The most expensive cost input was found to be associated with medication in Kenya, and medical personnel in the other 3 centers. The cost per disability-adjusted life-year averted ranged from 0.3 to 3.6 times the per capita gross national income. Childhood cancer treatment therefore was considered to be very cost-effective by World Health Organization standards in 2 countries and cost-effective in 1 additional country. In all centers, abandonment of treatment was common; modeling exercises suggested that public funding of treatment, additional psychosocial personnel, and modifications of inpatient policies would increase survival rates while maintaining or even improving cost-effectiveness. CONCLUSIONS: Across various African countries, childhood cancer treatment units represent cost-effective interventions. Cost-effectiveness can be increased through the control of drug prices, appropriate policy environments, and decreasing the rate of treatment abandonment. These results will inform national childhood cancer strategies across Africa.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 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 ».