MétaCan
Menu
Retour à la cohorte
Enregistrement W4317535141 · doi:10.3171/2022.12.jns222115

Cost-effectiveness of remote robotic mechanical thrombectomy in acute ischemic stroke

2023· article· en· W4317535141 sur OpenAlexaff
Maria X. Sanmartin, Jeffrey M. Katz, Christian D. Eusemann, Artem Boltyenkov, Kinpritma Sangha, Mehrad Bastani, Raymond D Turner, Adnan H. Siddiqui, Vítor Mendes Pereira, Ferdinand Hui, J Mocco, Pina C. Sanelli

Notice bibliographique

RevueJournal of neurosurgery · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueAcute Ischemic Stroke Management
Établissements canadiensUniversity of TorontoSt. Michael's Hospital
Organismes subventionnairesNational Institute of Biomedical Imaging and Bioengineering
Mots-clésMedicineStroke (engine)Cost–benefit analysisCost effectivenessQuality-adjusted life yearRelative riskEmergency medicineTime horizonIndirect costsHealth careEconomic evaluationConfidence intervalInternal medicineRisk analysis (engineering)Accounting

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: Clinical outcomes following endovascular thrombectomy (EVT) for acute ischemic stroke (AIS) treatment are highly time sensitive. Remote robotic (RR)-EVT systems may be capable of mitigating time delays in patient transfer from a primary stroke center (PSC) to a comprehensive/thrombectomy-capable stroke center. However, health economic evidence is needed to assess the costs and benefits of an RR-EVT system. Therefore, the authors of this study aimed to determine whether performing RR-EVT in suspected AIS patients at a PSC as opposed to standard of care might translate to cost-effectiveness over a lifetime. METHODS: An economic evaluation study was performed from a US healthcare perspective, combining decision analysis and Markov modeling methods over a lifetime horizon to evaluate the cost-effectiveness of RR-EVT in suspected AIS patients at a PSC compared to the standard-of-care approach. Total expected costs and quality-adjusted life-years (QALYs) were estimated. RESULTS: In the cost-effectiveness analysis, RR-EVT yielded greater effectiveness per patient (4.05 vs 3.88 QALYs) and lower costs (US$321,269 vs US$321,397) than the standard-of-care approach. Owing to these lower costs and greater health benefits, RR-EVT was the dominant cost-effective strategy. After initiation of an RR-EVT system, the average costs per year were similar (or slightly reduced), according to this simulation. Sensitivity analyses revealed that RR-EVT remains cost-effective in a wide variety of time delays and cost assumptions. In a one-way sensitivity analysis, RR-EVT remained the most cost-effective strategy when time delays were greater than 2.5 minutes, its complication rate did not exceed 37%, and costs were lower than $54,081. When the cost of the RR-EVT strategy ranged from $19,340 to $54,081 and its complication rate varied from 15% to 37%, the RR-EVT strategy remained the most cost-effective throughout the two ranges. RR-EVT was also the most cost-effective strategy even when its cost doubled (to approximately $40,000) and time delays exceeded 20 minutes. In a probabilistic sensitivity analysis, RR-EVT was the long-term cost-effective strategy in 89.8% of iterations at a willingness-to-pay threshold of $100,000/QALY. CONCLUSIONS: This analysis suggests that RR-EVT as an innovative solution to expedite EVT is cost-effective. An RR-EVT system could potentially extend access to care in underserved communities and rural areas, as well as improve care for socioeconomically disadvantaged populations affected by health inequities.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,018
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,031

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,018
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,003
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,052
Tête enseignante GPT0,325
Écart entre enseignants0,273 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of neurosurgeryMême sujetAcute Ischemic Stroke ManagementTravaux en français237 207