Exploring the Cost Effectiveness of Shared Decision Making for Choosing between Disease-Modifying Drugs for Relapsing-Remitting Multiple Sclerosis in the Netherlands: A State Transition Model
Notice bibliographique
Résumé
BACKGROUND: Up to 31% of patients with relapsing-remitting multiple sclerosis (RRMS) discontinue treatment with disease-modifying drug (DMD) within the first year, and of the patients who do continue, about 40% are nonadherent. Shared decision making may decrease nonadherence and discontinuation rates, but evidence in the context of RRMS is limited. Shared decision making may, however, come at additional costs. This study aimed to explore the potential cost-effectiveness of shared decision making for RRMS in comparison with usual care, from a (limited) societal perspective over a lifetime. METHODS: An exploratory economic evaluation was conducted by adapting a previously developed state transition model that evaluates the cost-effectiveness of a range of DMDs for RRMS in comparison with the best supportive care. Three potential effects of shared decision making were explored: 1) a change in the initial DMD chosen, 2) a decrease in the patient's discontinuation in using the DMD, and 3) an increase in adherence to the DMD. One-way and probabilistic sensitivity analyses of a scenario that combined the 3 effects were conducted. RESULTS: Each effect separately and the 3 effects combined resulted in higher quality-adjusted life years (QALYs) and costs due to the increased utilization of DMD. A decrease in discontinuation of DMDs influenced the incremental cost-effectiveness ratio (ICER) most. The combined scenario resulted in an ICER of €17,875 per QALY gained. The ICER was sensitive to changes in several parameters. CONCLUSION: This study suggests that shared decision making for DMDs could potentially be cost-effective, especially if shared decision making would help to decrease treatment discontinuation. Our results, however, may depend on the assumed effects on treatment choice, persistence, and adherence, which are actually largely unknown.
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 | 0,008 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».