Costs of Next-Generation Sequencing Assays in Non-Small Cell Lung Cancer: A Micro-Costing Study
Notice bibliographique
Résumé
Background: Next-generation sequencing (NGS) of tumor genomes has changed and improved cancer treatment over the past few decades. It can inform clinicians on the optimal therapeutic approach in many of the solid and hematologic cancers, including non-small lung cancer (NSCLC). Our study aimed to determine the costs of NGS assays for NSCLC diagnostics. Methods: We performed a micro-costing study of four NGS assays (Trusight Tumor 170 Kit (Illumina), Oncomine Focus (Thermo Fisher), QIAseq Targeted DNA Custom Panel and QIASeq Targeted RNAscan Custom Panel (Qiagen), and KAPA HyperPlus/SeqCap EZ (Roche)) at the StemCore Laboratories, the Ottawa Hospital, Canada. We used a time-and-motion approach to measure personnel time and a pre-defined questionnaire to collect resource utilization. The unit costs were based on market prices. The cost data were reported in 2019 Canadian dollars. Results: Based on a case throughput of 500 cases per year, the per-sample cost for TruSight Tumor 170 Kit, QIASeq Targeted DNA Custom Panel and QIASeq Targeted RNAscan Custom Panel, Oncomine Focus, and HyperPlus/SeqCap EZ were CAD 1778, CAD 599, CAD 1100 and CAD 1270, respectively. The key cost drivers were library preparation (34–60%) and sequencing (31–51%), followed by data analysis (6–13%) and administrative support (2–7%). Conclusions: Trusight Tumor 170 Kit was the most expensive NGS assay for NSCLC diagnostics; however, an economic evaluation is required to identify the most cost-effective NGS assay. Our study results could help inform decisions to select a robust platform for NSCLC diagnostics from fine needle aspirates, and future economic evaluations of the NGS platforms to guide treatment selections for NSCLC patients.
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) | 0,000 | 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 ».