Incorporating productivity loss in health economic evaluations: a review of guidelines and practices worldwide for research agenda in China
Notice bibliographique
Résumé
INTRODUCTION: Productivity loss may contribute to a large proportion of costs of health conditions in an economic evaluation from a societal perspective, but there is currently a lack of methodological consensus on how productivity loss should be measured and valued. Despite the research progress surrounding this issue in other countries, it has been rarely discussed in China. METHODS: We reviewed the official guidelines on economic evaluations in different countries and regions and screened the literature to summarise the extent to which productivity loss was incorporated in economic evaluations and the underlying methodological challenges. RESULTS: A total of 48 guidelines from 46 countries/regions were included. Although 32 (67%) guidelines recommend excluding productivity loss in the base case analysis, 23 (48%) guidelines recommend including productivity loss in the base case or additional analyses. Through a review of systematic reviews and the economic evaluation studies included in these reviews, we found that the average probability of incorporating productivity loss in an economic evaluation was 10.2%. Among the economic evaluations (n=478) that explicitly considered productivity loss, most (n=455) considered losses from paid work, while only a few studies (n=23) considered unpaid work losses. Recognising the existing methodological challenges and the specific context of China, we proposed a practical research agenda and a disease list for progress on this topic, including the development of the disease list comprehensively consisting of health conditions where the productivity loss should be incorporated into economic evaluations. CONCLUSION: An increasing number of guidelines recommend the inclusion of productivity loss in the base case or additional analyses of economic evaluation. We optimistically expect that more Chinese researchers notice the importance of incorporating productivity loss in economic evaluations and anticipate guidelines that may be suitable for Chinese practitioners and decision-makers that facilitate the advancement of research on productivity loss measurement and valuation.
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 | 0,142 | 0,274 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,008 | 0,010 |
| Bibliométrie | 0,025 | 0,022 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».