Treatment of moderate to severe respiratory COVID-19: a cost-utility analysis
Notice bibliographique
Résumé
Despite COVID-19's significant morbidity and mortality, considering cost-effectiveness of pharmacologic treatment strategies for hospitalized patients remains critical to support healthcare resource decisions within budgetary constraints. As such, we calculated the cost-effectiveness of using remdesivir and dexamethasone for moderate to severe COVID-19 respiratory infections using the United States health care system as a representative model. A decision analytic model modelled a base case scenario of a 60-year-old patient admitted to hospital with COVID-19. Patients requiring oxygen were considered moderate severity, and patients with severe COVID-19 required intubation with intensive care. Strategies modelled included giving remdesivir to all patients, remdesivir in only moderate and only severe infections, dexamethasone to all patients, dexamethasone in severe infections, remdesivir in moderate/dexamethasone in severe infections, and best supportive care. Data for the model came from the published literature. The time horizon was 1 year; no discounting was performed due to the short duration. The perspective was of the payer in the United States health care system. Supportive care for moderate/severe COVID-19 cost $11,112.98 with 0.7155 quality adjusted life-year (QALY) obtained. Using dexamethasone for all patients was the most-cost effective with an incremental cost-effectiveness ratio of $980.84/QALY; all remdesivir strategies were more costly and less effective. Probabilistic sensitivity analyses showed dexamethasone for all patients was most cost-effective in 98.3% of scenarios. Dexamethasone for moderate-severe COVID-19 infections was the most cost-effective strategy and would have minimal budget impact. Based on current data, remdesivir is unlikely to be a cost-effective treatment for COVID-19.
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 | 0,002 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,003 |
| 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) | 0,001 | 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 ».