MétaCan
Menu
Retour à la cohorte
Enregistrement W4200222349 · doi:10.1017/s0266462321001549

PP409 Cost-Effectiveness Of Ruxolitinib For Patients With Myelofibrosis: A Review Of The Literature

2021· review· en· W4200222349 sur OpenAlexaboutno aff
Gizem Karakuleli, Leela Barham

Notice bibliographique

RevueInternational Journal of Technology Assessment in Health Care · 2021
Typereview
Langueen
DomaineMedicine
ThématiqueMyeloproliferative Neoplasms: Diagnosis and Treatment
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésRuxolitinibMedicineMyelofibrosisCost effectivenessSystematic reviewCochrane LibraryMEDLINEChecklistIntensive care medicineInternal medicineRandomized controlled trial

Résumé

récupéré en direct d'OpenAlex

Introduction Myelofibrosis (MF) is a rare (annual incidence estimated to be 1/100,000 in Europe), chronic hematologic disorder associated with morbidity and mortality as well as the risk of evolution to acute myeloid leukemia. Ruxolitinib (Jakavi®, Novartis) is the first JAK 1/2 inhibitor approved by the FDA and EMA in 2011 in treating MF. Ruxolitinib is considered a high-cost and life-time treatment. UK-based estimates of the cost of treatment are in the region of GBP43,000/year/patient (in 2013). Against the background of the challenge of treatments for rare diseases reaching cost-effectiveness thresholds, this study identified, collected, and appraised the available evidence on the cost-effectiveness of ruxolitinib in the treatment of MF. Methods A systematic approach was taken to conducting the literature review. Databases searched included PubMed, EMBASE, MEDLINE, and the Cochrane Library based on search terms informed by PICO: myelofibrosis, ruxolitinib, best available therapy/standard of care, and cost-effectiveness/cost-utility/pharmacoeconomics. The search was limited to studies published in the English language. A narrative synthesis was used to evaluate studies and the CHEERS checklist to explore the quality of reporting of the cost-effectiveness analysis. Results The narrative synthesis included five studies conducted in the UK, Portugal, Chile, Canada, and Finland. All cost-effectiveness analyses used data from the same two large, randomized controlled, double-blind, phase III studies (COMFORT-I and -II). Ruxolitinib was compared to the best available therapy (BAT), including hydroxyurea, no medication, and prednisone/prednisolone. Perspectives and included costs varied among analyses. Markov models and discrete state cohort models were used to evaluate the cost-effectiveness and clinical benefit was measured in quality-adjusted life years (QALY) or life years (LY) gained. These analyses estimated the base-case incremental cost-effectiveness ratios (ICER) per QALY of (converted into USD, if appropriate, at the historic average annual exchange rate) GBP44,905 in the UK (2013; USD 70,226), EUR40,000 in Portugal (2016; USD44,272), USD54,500 (2016), CAD61,444 in Canada (2012; USD61,474), and EUR42,367 in Finland (2015; USD42,027). Based upon the cost-effectiveness thresholds applied in each of these countries, ruxolitinib was found to be universally cost-effective, albeit with price adjustments as part of the wider pricing and reimbursement processes used in these countries. Conclusions Ruxolitinib was found to be cost-effective in treating MF informed by different types of models and from different perspectives; however, there was some uncertainty around available data due to limited data sources.

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)0,005
score de la tête « metaresearch » (Gemma)0,029
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 enseignants0,014
Score d'incertitude au seuil0,039

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,029
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0050,005
Bibliométrie0,0140,013
Études des sciences et des technologies0,0000,001
Communication savante0,0030,002
Science ouverte0,0020,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,000

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 Opus0,025
Tête enseignante GPT0,432
Écart entre enseignants0,407 · 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

Citations1
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Technology Assessment in Health CareMême sujetMyeloproliferative Neoplasms: Diagnosis and TreatmentTravaux en français237 207