To ban or not to ban tanning bed use for minors: A cost‐effectiveness analysis from multiple US perspectives for invasive melanoma
Notice bibliographique
Résumé
BACKGROUND: Tanning bed use is common among US adolescents, but is associated with increased melanoma risk. The decision to ban tanning bed use by adolescents should be made in consideration of the potential health benefits and costs. METHODS: The US population aged 14 to 17 years was modeled by microsimulation, which compared ban versus no ban strategies. Lifetime quality-adjusted life years (QALYs) and costs were estimated from a health care sector perspective and two societal perspectives: with and without the costs of policy enforcement and the economic losses of the indoor-tanning bed industry. RESULTS: Full adherence to the ban prevented 15,102 melanoma cases and 3299 recurrences among 17.1 million minors, saving $61in formal and informal health care costs per minor and providing an increase of 0.0002 QALYs. Despite the intervention costs of the ban and the economic losses to the indoor-tanning industry, banning was still the dominant strategy, with a savings of $12 per minor and $205.4 million among 17.1 million minors. Findings were robust against varying inspection costs and ban compliance, but were sensitive to lower excess risk of melanoma with early exposure to tanning beds. CONCLUSIONS: A ban on tanning beds for minors potentially lowers costs and increases cost effectiveness. Even after accounting for the costs of implementing a ban, it may be considered cost effective. Even after accounting for the costs of implementing a ban and economic losses in the indoor-tanning industry, a tanning bed ban for US minors may be considered cost effective. A ban has the potential to reduce the number of melanoma cases while decreasing health care costs. LAY SUMMARY: Previous meta-analyses have linked tanning bed use with an increased risk of melanoma, particularly with initial use at a young age. Yet, it remains unclear whether a ban of adolescents would be cost effective. Overall, a ban has the potential to reduce the number of melanoma cases while promoting a decrease in health care costs. Even after accounting for the costs of implementing a ban and the economic losses incurred by the indoor-tanning industry, a ban would be cost effective.
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 | 0,006 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,011 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».