The cost-effectiveness of adding tomosynthesis to mammography-based breast cancer screening: an economic analysis
Notice bibliographique
Résumé
BACKGROUND: Observational studies show that digital breast tomosynthesis (DBT) combined with digital mammography (DM) can reduce recall rates and increases rates of breast cancer detection. The objective of this study was to examine the cost-effectiveness of DBT plus DM versus DM alone in British Columbia and to identify parameters that can improve the efficiency of breast cancer screening programs. METHODS: We conducted an economic analysis based on data from a cohort of screening participants in the BC Cancer Breast Screening Program. The decision model simulated lifetime costs and outcomes for participants in breast cancer screening who were aged 40-74 years between 2012 and 2017. We analyzed rates of health care resource utilization, health state costs and estimated incremental cost-effectiveness ratios (ICERs), to measure incremental cost differences per quality-adjusted life years (QALYs) gained from the addition of DBT to DM-based screening, from the government payer's perspective. RESULTS: The model simulated economic outcomes for 112 249 screening participants. We found that the ICER was highly sensitive to recall rate reductions and insensitive to parameters related to cancer detection. If DBT plus DM can reduce absolute recall rates by more than 2.1%, the base-case scenario had an ICER of $17 149 per QALY. At a willingness-to-pay threshold of $100 000 per QALY, more than 95% of the probabilistic simulations favoured the adoption of DBT plus DM versus DM alone. The ICER depended heavily on the ability of DBT plus DM to reduce recall rates. INTERPRETATION: The addition of DBT to DM would be considered cost-effective owing to the low positive predictive value of screening with DM alone. Reductions in false-positive recall rates should be monitored closely.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».