The impact of statistical properties of incremental monetary net benefit and incremental cost-effectiveness ratio on health economic modeling choices
Notice bibliographique
Résumé
INTRODUCTION: There is controversy on whether to use incremental monetary net benefit (INMB) or incremental cost-effectiveness ratio (ICER) in health economic evaluations alongside randomized controlled trials. We studied the impact of restricted mean survival time (RMST) on the long-term projection of INMB and ICER. METHODS: We analyzed the unbiasedness and efficiency of ICER and INMB by (1) deriving the metrics' expected values and variances based on theoretical probability distributions, (2) simulating their 15-year post-trial projections based on between-arm-RMST-gained through a 2 × 4 × 2 factorial experiment of Markov 2-state microsimulations. Simulations and comparison were run on the data from the Cardiovascular Outcomes for People Using Anticoagulation Strategies Study (COMPASS). RESULTS: Our simulation findings using RMST showed that ICER was more efficient than INMB, regardless of disease populations, time horizon, modeling choices, and underlying probability distributions of incremental mean cost and effect. ICER had a small variance and thus showed its robustness to the choices of models. CONCLUSION: INMB's variance varies with a willingness-to-pay (WTP) threshold quadratically while ICER's variance with a WTP threshold value quadratically while ICER's variance with incremental-mean-cost quadratically. A simple and naïve model can sufficiently estimate ICER. Future metrics are expected to be health-economic-meaningful, unambiguous, unbiased, efficient, and statistical-inference-friendly.
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 | 0,146 | 0,433 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,003 | 0,006 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».