Point-of-care diagnostic tests for influenza in the emergency department: A cost-effectiveness analysis in a high-risk population from a Canadian perspective
Notice bibliographique
Résumé
BACKGROUND: Our objective was to assess the cost-effectiveness of novel rapid diagnostic tests: rapid influenza diagnostic tests (RIDT), digital immunoassays (DIA), rapid nucleic acid amplification tests (NAAT), and other treatment algorithms for influenza in high-risk patients presenting to hospital with influenza-like illness (ILI). METHODS: We developed a decision-analytic model to assess the cost-effectiveness of diagnostic test strategies (RIDT, DIA, NAAT, clinical judgement, batch polymerase chain reaction) preceding treatment; no diagnostic testing and treating everyone; and not treating anyone. We modeled high-risk 65-year old patients from a health payer perspective and accrued outcomes over a patient's lifetime. We reported health outcomes, quality-adjusted life years (QALYs), healthcare costs, and net health benefit (NHB) to measure cost-effectiveness per cohort of 100,000 patients. RESULTS: Treating everyone with no prior testing was the most cost-effective strategy, at a cost-effectiveness threshold of $50,000/QALY, in over 85% of simulations. This strategy yielded the highest NHB of 15.0344 QALYs, but inappropriately treats all patients without influenza. Of the novel rapid diagnostics, NAAT resulted in the highest NHB (15.0277 QALYs), and the least number of deaths (1,571 per 100,000). Sensitivity analyses determined that results were most impacted by the pretest probability of ILI being influenza, diagnostic test sensitivity, and treatment effectiveness. CONCLUSIONS: Based on our model, treating high-risk patients presenting to hospital with influenza-like illness, without performing a novel rapid diagnostic test, resulted in the highest NHB and was most cost-effective. However, consideration of whether treatment is appropriate in the absence of diagnostic confirmation should be taken into account for decision-making by clinicians and policymakers.
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 | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,005 |
| Bibliométrie | 0,002 | 0,003 |
| 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 | 0,001 | 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 ».