Defining a Core Data Set for the Economic Evaluation of Precision Oncology
Notice bibliographique
Résumé
OBJECTIVES: Precision oncology is generating vast amounts of multiomic data to improve human health and accelerate research. Existing clinical study designs and attendant data are unable to provide comparative evidence for economic evaluations. This lack of evidence can cause inconsistent and inappropriate reimbursement. Our study defines a core data set to facilitate economic evaluations of precision oncology. METHODS: We conducted a literature review of economic evaluations of next-generation sequencing technologies, a common application of precision oncology, published between 2005 and 2018 and indexed in PubMed (MEDLINE). Based on this review, we developed a preliminary core data set for informal expert feedback. We then used a modified-Delphi approach with individuals involved in implementation and evaluation of precision medicine, including 2 survey rounds followed by a final voting conference to refine the data set. RESULTS: Two authors determined that variation in published data elements was reached after abstraction of 20 economic evaluations. Expert consultation refined the data set to 83 unique data elements, and a multidisciplinary sample of 46 experts participated in the modified-Delphi process. A total of 68 elements (81%) were selected as required, spanning demographics and clinical characteristics, genomic data, cancer treatment, health and quality of life outcomes, and resource use. CONCLUSIONS: Cost-effectiveness analyses will fail to reflect the real-world impacts of precision oncology without data to accurately characterize patient care trajectories and outcomes. Data collection in accordance with the proposed core data set will promote standardization and enable the generation of decision-grade evidence to inform reimbursement.
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 | 0,189 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».