Determination of a cost-effectiveness threshold for cancer interventions in Iran
Notice bibliographique
Résumé
Background and objectives: The estimation of a cost- Effectiveness (CE) threshold from the perspective of those who have experienced a life-threatening disease can provide empirical evidence for health policy makers to make the best allocation decisions on limited resources. The aim of the current study was to empirically determine the CE threshold for cancer interventions from the perspective of cancer patients in Iran. Methods: A composite time trade-off (cTTO) task for deriving quality adjusted life-year (QALY) and a double-bounded dichotomous choice (DBDC) approach followed by open-ended question for examining patients' willingness-to-pay were performed. A nationally representative sample of 580 cancer patients was recruited from the largest governmental cancer centers in Iran between June 2021 and January 2022, and data were gathered using face-to-face interviews. The CE threshold was calculated using the nonparametric Turnbull model and parametric interval-censored Weibull regression model. Furthermore, the factors that affect the CE threshold were determined using the parametric model. Results: The estimated CE threshold using the nonparametric Turnbull model and parametric interval-censored Weibull regression model was IRR 440,410,000 (USD 10,485.95) and IRR 595,280,000 (USD 14,173.33) per QALY, respectively. Gender, age, education, income, type of cancer, and current treatment status were significantly associated with the estimated CE threshold. Conclusions: The value of parametric model-based threshold in this study was 1.98 times the Iranian GDP per capita, which was lower than the CE threshold value recommended by the WHO (i.e., 3 times the GDP per capita) for low-and middle-income countries.
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 | 0,012 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».