A comparison of international modelling methods to evaluate health economics of colorectal cancer screening: a systematic review protocol
Notice bibliographique
Résumé
BACKGROUND: Colorectal cancer (CRC) is becoming an increasing health problem worldwide. However, with the help of screening, early diagnosis can reduce incidence and mortality rates. To elevate the economic burden that CRC can cause, cost-effectiveness analysis (CEA) can assist healthcare systems to make screening programmes more cost-effective and prolong survival for early-stage CRC patients. This review aims to identify different CEA modelling methods used internationally to evaluate health economics of CRC screening. METHODS: This review will systematically search electronic databases which include MEDLINE, EMBASE, Web of Science and Scopus. The Preferred Reporting Items for Systematic Reviews and Meta-Analysis (PRISMA) guidance recommendations will design the review, and the Consolidated Health Economic Evaluation Reporting Standards (CHEERS) statement will be used to extract relevant data from studies retrieved. Two reviewers will screen through the evidence using the PICOS (Participant, Intervention, Comparators, Outcomes, Study Design) framework, with a third reviewer to settle any disagreements. Once data extraction and quality assessment are complete, the results will be presented qualitatively and tabulated using the CHEERS checklist. DISCUSSION: The results obtained from the systematic review will highlight how different CRC screening programmes around the world utilise and incorporate health economic modelling methods to be more cost-effective. This information can help modellers develop CEA models which can be adapted to suit the specific screening programmes that they are evaluating. SYSTEMATIC REVIEW REGISTRATION: PROSPERO CRD42022296113.
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 | 0,018 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,023 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».