Economic Evaluation of Screening for Polyomavirus Infection in Kidney Transplant Recipients: A Cost-Utility Analysis
Notice bibliographique
Résumé
Screening for polyomavirus infection after kidney transplantation is recommended by clinical practice guidelines, but cost-effectiveness of this strategy is uncertain. The aim of this study was to estimate the incremental costs and benefits of routine screening for polyomavirus infection compared with no screening in kidney transplant recipients. Methods: Probabilistic Markov models were constructed to compare the health and economic benefits of routine screening for polyomavirus infection using real-time polymerase chain reaction assay. A series of 1-way and probabilistic sensitivity analyses were conducted to define the most influential variables in the model. Results: Monthly screening for 6 mo followed by 3 monthly screenings until 12 mo after transplant was dominant (lower costs and improved outcomes). Compared with no screening, the incremental benefits of screening were 0.294 life-years saved and 0.232 quality-adjusted life-years saved. Total savings from screening were $6986 Australian dollars ($5057 US dollars). The cost-effectiveness ratios were most sensitive to the costs of transplantation and dialysis, age of transplantation, prevalence of viremia, and probability of death in patients with a history of polyomavirus-associated nephropathy. Probabilistic sensitivity analysis indicated that screening (compared with no screening) was the dominant strategy across all plausible ranges of transition probabilities. Conclusions: Screening for polyomavirus infections 1 year following transplantation appears to save money, improves survival, and improves quality of life in kidney transplant recipients.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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; 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 ».