MétaCan
Menu
Retour à la cohorte
Enregistrement W4317613981 · doi:10.1007/s40273-022-01238-3

Population-Based Screening Using Low-Dose Chest Computed Tomography: A Systematic Review of Health Economic Evaluations

2023· review· en· W4317613981 sur OpenAlexaboutno aff
Carina M. Behr, Martijn J. Oude Wolcherink, Maarten J. IJzerman, Rozemarijn Vliegenthart, Hendrik Koffijberg

Notice bibliographique

RevuePharmacoEconomics · 2023
Typereview
Langueen
DomaineMedicine
ThématiqueLung Cancer Diagnosis and Treatment
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of TwenteZonMw
Mots-clésMedicineLung cancer screeningContext (archaeology)Cost effectivenessPopulationQuality-adjusted life yearLung cancerCost-effectiveness analysisHealth careIntensive care medicineInternal medicineEnvironmental health

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Chest low-dose computed tomography (LDCT) is a promising technology for population-based screening because it is non-invasive, relatively inexpensive, associated with low radiation and highly sensitive to lung cancer. To improve the cost-effectiveness of lung cancer screening, simultaneous screening for other diseases could be considered. This systematic review was conducted to analyse studies that published evidence on the cost-effectiveness of chest LDCT screening programs for different diseases. METHODS: Scopus and PubMed were searched for English publications (1 January 2011-22 July 2022) using search terms related to screening, computed tomography and cost-effectiveness. An additional search specifically searched for the cost-effectiveness of screening for lung cancer, chronic obstructive pulmonary disease or cardiovascular disease. Included publications should present a full health economic evaluation of population screening with chest LDCT. The extracted data included the disease screened for, model type, country context of screening, inclusion of comorbidities or incidental findings, incremental costs, incremental effects and the resulting cost-effectiveness ratio amongst others. Reporting quality was assessed using the 2022 Consolidated Health Economic Evaluation Reporting Standards (CHEERS) checklist. RESULTS: The search yielded 1799 unique papers, of which 43 were included. Most papers focused on lung cancer screening (n = 40), and three were on coronary calcium scoring. Microsimulation was the most commonly applied modelling type (n = 16), followed by life table analysis (n = 10) and Markov cohort models (n = 10). Studies reflected the healthcare context of the US (n = 15), Canada (n = 4), the UK (n = 3) and 13 other countries. The reported incremental cost-effectiveness ratio ranged from US$10,000 to US$90,000/quality-adjusted life year (QALY) for lung cancer screening compared to no screening and was US$15,900/QALY-US$45,300/QALY for coronary calcium scoring compared to no screening. DISCUSSION: Almost all health economic evaluations of LDCT screening focused on lung cancer. Literature regarding the health economic benefits of simultaneous LDCT screening for multiple diseases is absent. Most studies suggest LDCT screening is cost-effective for current and former smokers aged 55-74 with a minimum of 30 pack-years of smoking history. Consequently, more evidence on LDCT is needed to support further cost-effectiveness analyses. Preferably evidence on simultaneous screening for multiple diseases is needed, but alternatively, on single-disease screening. REGISTRATION OF SYSTEMATIC REVIEW: Prospective Register of Ongoing Systematic Reviews registration CRD42021290228 can be accessed https://www.crd.york.ac.uk/prospero/display_record.php?RecordID=290228 .

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,027
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,147
Tête enseignante GPT0,477
Écart entre enseignants0,330 · 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 tête enseignante, pas un consensus.

Devis d'étudeRevue systématique
Domainenon disponible
GenreSynthèse

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

En bref

Citations15
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePharmacoEconomicsMême sujetLung Cancer Diagnosis and TreatmentTravaux en français237 207