Cost-Effectiveness of Four Financial Incentive Programs for Smoking Cessation
Notice bibliographique
Résumé
Abstract Rationale A trial of four financial incentive programs, conducted at CVS Caremark, a large employer, documented their effectiveness in promoting sustained abstinence from smoking, but their cost-effectiveness is unknown, and the significant up-front cost of the incentives is a deterrent to their adoption. Objectives To determine the cost-effectiveness of these incentives from the healthcare sector and employer perspectives. Methods This study examines a decision model built with trial data, supplemented by data from the literature. Life-expectancy gains for quitters were projected on the basis of U.S. life tables. The two individual-oriented programs paid $800 for smoking cessation at 6 months; one required participants to deposit $150 at baseline. Payments in the two group-oriented programs varied with the group’s success; again, one required participants to deposit $150. Results Life-years, quality-adjusted life-years (QALYs), costs (2012 dollars), and cost-effectiveness ratios are described. From the healthcare sector perspective, costs ranged from $3,200 per life-year ($2,500 per QALY) for the competitive deposit program, compared with usual care, to $6,500 per life-year ($5,100 per QALY) for the individual reward program. From the employer perspective, costs ranged from $256,600 per life-year gained for the individual deposit program to $1,711,100 per life-year gained for the individual reward program; the cost per QALY ranged from $65,300 for the competitive deposit program to $128,800 for the individual reward program. Cost-effectiveness from the employer perspective improved with longer decision horizons. Including future medical costs reduced cost-effectiveness from both perspectives. Conclusions Four financial incentive programs that paid smokers to quit are very cost-effective from the healthcare sector perspective. They are more expensive from the employer perspective but may be cost-effective for employers with longer decision horizons.
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 | 0,009 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 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 ».