FINE-CKD model to evaluate economic value of finerenone in patients with chronic kidney disease and type 2 diabetes
Notice bibliographique
Résumé
BACKGROUND: Chronic kidney disease (CKD) is a progressive and irreversible disease often associated with type 2 diabetes (T2D). CKD is associated with an elevated risk of cardiovascular (CV) events, increased mortality, and diminished quality of life. Finerenone is a new treatment for patients with CKD and T2D that delays CKD progression and reduces CV complications. OBJECTIVE: To describe the approach and structure of a costeffectiveness model for finerenone for patients with CKD and T2D and compare it with existing economic models in CKD. METHODS: A de novo cost-effectiveness model (FINE-CKD model), reflective of FIDELIO-DKD results, was developed for finerenone. The FINE-CKD model was designed and implemented in accordance with published guidance on modeling and was developed with input from economic and clinical experts. The final model approach was evaluated against existing modeling structures in CKD identified through a systematic literature review. RESULTS AND CONCLUSIONS: The FINE-CKD model structure follows recommended modeling guidelines and has been designed in accordance with the best practices of modeling in CKD, while also incorporating important features of the FIDELIO-DKD design and results. The approach is consistent with the published literature, ensuring transparency and minimizing uncertainty that can arise from unnecessary complexity. The FINE-CKD model allows for reliable assessment of benefits and costs related to the use of finerenone in patients with CKD and T2D, and it is a reliable assessment of cost-effectiveness.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».