Is it worth it? Cost-effectiveness analysis of a commercial physical activity app
Notice bibliographique
Résumé
BACKGROUND: Government interest in investing in commercial physical activity apps has increased with little evidence of their cost-effectiveness. This is the first study to our knowledge to examine the cost-effectiveness of a commercial physical activity app (Carrot Rewards) despite there being over 100,000 in the major app stores. METHODS: A cost-effectiveness analysis was performed to calculate the incremental cost-effectiveness ratio (ICER) of the app compared to a no-intervention reference scenario using a five-year time horizon. Primary data was collected between 2016 and 2017. Data synthesis, model creation, and statistical analyses were conducted between 2019 and 2020. An age-, sex-, and geography-dependent Markov model was developed assuming a public healthcare payer perspective. A closed cohort (n = 38,452) representing the population reached by Carrot Rewards in two Canadian provinces (British Columbia, Newfoundland & Labrador) at the time of a 12-month prospective study was used. Costs and effects were both discounted at 1.5% and expressed in 2015 Canadian dollars. Subgroup analyses were conducted to compare ICERs between provinces, sexes, age groups, and engagement levels. RESULTS: Carrot Rewards had an ICER of $11,113 CAD per quality adjusted life year (QALY), well below a $50,000 CAD per QALY willingness-to-pay (WTP) threshold. Subgroup analyses revealed that the app had lower ICERs for British Columbians, females, highly engaged users, and adults aged 35-64 yrs., and was dominant for older adults (65 + yrs). Deterministic sensitivity analyses revealed that the ICER was most influenced by the relative risk of diabetes. Probabilistic sensitivity analyses revealed varying parameter estimates predominantly resulted in ICERs below the WTP threshold. CONCLUSIONS: The Carrot Rewards app was cost-effective, and dominant for older adults. These results provide, for the first time, rigorous health economic evidence for a commercial physical activity app as part of public health programming.
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 | 0,013 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,009 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».