Cost-effectiveness of moderate-to-severe psoriasis biologic treatments in Brazilian private healthcare system: cost-per-responder results derived from a network metanalysis
Notice bibliographique
Résumé
Objective: To assess the cost-per-responder (CpR) of biologic therapies available in Brazil to treat moderate-to-severe plaque psoriasis (PsO) from the private healthcare system’s perspective. Methods: Number needed to treat (NNT) and (CpR) analyses were performed to evaluate biologic therapies’ cost-effectiveness for moderate-to-severe PsO available in Brazil. The effectiveness of biologic treatments for moderate-to-severe PsO was assessed based on a previously published metanalysis, which included studies considering PsO patients and outcomes of interest (PASI 75, 90, and 100). The clinical efficacy data in terms of estimated NNT based on the network metanalysis (NMA) results were combined with drug treatment costs to determine the CpR for each treatment arm in 3-time horizons: the primary response period, 1-year, and 2-years. Results: Risankizumab was the most cost-effective option when NMA base case scenario data was used to calculate NNT in all PASI response for both the primary response period and 1- and 2-years follow-up durations. Differences in CpR between risankizumab and other biologic drugs increased with more significant PASI improvements. CpR sensitivity analysis also confirmed these findings, indicating that risankizumab has a better performance for PASI 100, and both risankizumab and guselkumab are very similar in terms of cost per additional PASI 75 and PASI 90 responder. Conclusions: Risankizumab was estimated to have a lower cost per PASI 75, 90, and 100 responders in most simulated scenarios (primary response period [12-16 weeks], 1-year and 2-years), among the evaluated biologic therapies.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».