MétaCan
Menu
Retour à la cohorte
Enregistrement W3203366108 · doi:10.1007/s40273-021-01089-4

Modeling Challenges in Cost-Effectiveness Analysis of First-Line Immuno-Oncology Therapies in Non-small Cell Lung Cancer: A Systematic Literature Review

2021· review· en· W3203366108 sur OpenAlexaboutno aff
Thitima Kongnakorn, Grammati Sarri, Andreas Freitag, Kinga Marczell, Paulina Kaźmierska, Elizabeth T. Masters, Vivek Pawar, Xinke Zhang

Notice bibliographique

RevuePharmacoEconomics · 2021
Typereview
Langueen
DomaineMedicine
ThématiqueLung Cancer Diagnosis and Treatment
Établissements canadiensnon disponible
Organismes subventionnairesPfizer
Mots-clésMedicineLung cancerQuality of Life ResearchHealth economicsOncologyIntensive care medicinePharmacoeconomicsClinical OncologyInternal medicineCancerPublic healthMedical physicsPathology

Résumé

récupéré en direct d'OpenAlex

INTRODUCTION: The introduction of immuno-oncology (IO) therapies has changed the treatment landscape of non-small cell lung cancer (NSCLC). Numerous cost-effectiveness analyses (CEAs) and technology appraisals (TAs) evaluating IO therapies have been recently published. OBJECTIVE: We reviewed economic models of first-line (1L) IO therapies for previously untreated advanced or metastatic NSCLC to identify methodological challenges associated with modeling cost effectiveness from published literature and TAs and to make recommendations for future CEAs in this disease area. METHODS: A systematic literature review was conducted following Cochrane and PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) guidelines. We searched MEDLINE, Embase, EconLit (January 2009-January 2020), and select conferences (since 2016) for CEAs of 1L IO treatments in patients with recurrent or metastatic, epidermal growth factor receptor (EGFR)/anaplastic lymphoma kinase (ALK) mutation-negative NSCLC, published in English. TAs from England, Scotland, Canada, Australia, Germany, and France were also examined. Two reviewers screened the results and extracted the data. The quality of the CEAs was described using the Drummond checklist. RESULTS: In total, 46 records reporting on 38 unique models met protocol-defined criteria and were included. Five models adjusted for treatment switching or crossover in base-case analyses, and the remainder considered treatment switching or crossover to represent clinical practice and made no adjustment. Seven models used external real-world data for survival modeling or extrapolation validation. Six models that assumed long-term treatment benefit stopped at 3 or 5 years after initiation. Seven models used the observed time-on-treatment distribution from the trial, and eight used progression-free survival for treatment duration. All models compared one or more IO monotherapies or combination therapies with chemotherapy. Only one study directly compared different IO agents but did not consider the concordance issue across programmed death-ligand 1 (PD-L1) testing methods. Utilities were modeled by health state in 12 models, four applied a time-to-death approach, and ten explored both. None applied cure models. CONCLUSION: Variations in methodological challenges were seen across studies. Previous models took approaches that were followed in subsequent models, such as a 2-year stopping rule of IO duration or treatment-effect waning. Challenges such as heterogeneity in PD-L1 testing and survival extrapolation and validation using real-world data should be further considered for future models in advanced or metastatic NSCLC.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,098
score de la tête « metaresearch » (Gemma)0,308
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,098
Score d'incertitude au seuil0,516

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0980,308
Méta-épidémiologie (sens strict)0,0030,002
Méta-épidémiologie (sens large)0,0130,021
Bibliométrie0,0130,013
Études des sciences et des technologies0,0010,001
Communication savante0,0050,004
Science ouverte0,0040,002
Intégrité de la recherche0,0040,003
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,080
Tête enseignante GPT0,421
Écart entre enseignants0,341 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeRevue systématique
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePharmacoEconomicsMême sujetLung Cancer Diagnosis and TreatmentTravaux en français237 207