A Microsimulation Model to Determine the Cost-Effectiveness of Treat-to-Target Strategies for Crohn's Disease
Notice bibliographique
Résumé
INTRODUCTION: Cost-effectiveness of biomarker- vs endoscopy-based treat-to-target monitoring in Crohn's disease (CD) is unknown. METHODS: A microsimulation model for CD was built to simulate biomarker (fecal calprotectin) vs endoscopy-based monitoring in a treat-to-target fashion. Published literature in combination with patient-level data from phase 3 clinical trials and population estimates for therapeutic drug monitoring were used to generate transition probabilities, costs, and utilities. Tracker variables were used to modify downstream probabilities and outcomes based on previous exposures, response patterns, and disease-related complications or surgery history. The primary outcome was cost-effectiveness over a 5-year horizon at a willingness-to-pay threshold of $100,000/quality-adjusted life-year. Probabilistic sensitivity analyses in addition to multiple 1-, 2-, and 3-way microsimulation sensitivity analyses were performed. RESULTS: In the base-case model, the endoscopy-based monitoring strategy dominated the biomarker-based monitoring strategy over a 5-year horizon. Over shorter periods of observation, the biomarker-based monitoring strategy became progressively more cost-effective, with cost-effectiveness achieved for this strategy over a 1-year horizon. Therapeutic drug monitoring did not influence short-term cost-effectiveness of biomarker-based monitoring. Once in endoscopic remission, continued biomarker-based vs endoscopy-based monitoring was more cost-effective. A hybrid biomarker-endoscopy-based monitoring strategy dominated the endoscopy-based monitoring strategy over a 5-year horizon. The strongest determinants for cost-effectiveness were cost of colonoscopy and diagnostic performance of fecal calprotectin. DISCUSSION: The most cost-effective approach for treat-to-target monitoring in CD is up-front biomarker-based monitoring followed by endoscopy-based monitoring if not in endoscopic remission by 1 year and then returning to biomarker-based monitoring once in endoscopic remission.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».