Economic feasibility of a novel tool to assist extubation decision-making: an early health economic modeling
Notice bibliographique
Résumé
OBJECTIVES: To estimate the minimum percent change in failed extubation to make a tool designed to reduce extubation failure (Extubation Advisor [EA]) economically viable. METHODS: We conducted an early return on investment (ROI) analysis using data from intubated intensive care unit (ICU) patients at a large Canadian tertiary care hospital. We obtained input parameters from the hospital database and published literature. We ran generalized linear models to estimate the attributable length of stay, total hospital cost, and time to subsequent extubation attempt following failure. We developed a Markov model to estimate the expected ROI and performed probabilistic sensitivity analyses to assess the robustness of findings. Costs were presented in 2020 Canadian dollars (C$). RESULTS: The model estimated a 1 percent reduction in failed extubation could save the hospital C$289 per intubated patient (95 percent CI: 197, 459). A large center seeing 2,500 intubated ICU patients per year could save C$723,124/year/percent reduction in failed extubation. At the current annual price of C$164,221, the EA tool must reduce extubation failure by at least 0.24 percent (95 percent CI: .14, .41) to make the tool cost-effective at our site. CONCLUSIONS: Clinical decision-support tools like the EA may play an important role in reducing healthcare costs by reducing the rate of extubation failure, a costly event in the ICU.
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 | 0,007 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».