Cost-effectiveness of postoperative imaging surveillance strategies for nonfunctional pituitary adenomas after resection with curative intent
Notice bibliographique
Résumé
OBJECTIVE: The aim of this study was to determine an optimal follow-up imaging surveillance strategy in terms of cost-effectiveness after resection of nonfunctioning pituitary adenomas with curative intent. METHODS: An individual-level state-transition microsimulation model was used to simulate costs and outcomes associated with three postoperative imaging strategies over a lifetime time horizon: 1) annual MRI surveillance, 2) tapered MRI surveillance (annual surveillance for 5 years followed by surveillance every 2 years), and 3) personalized surveillance (annual surveillance for 5 years followed by surveillance every 2 years when MRI shows remnant disease/postoperative changes, and surveillance at 7, 10, and 15 years for disease-free MRI). Transition probabilities, utilities, and costs were estimated from recent published data and discounted by 3% annually. Model outcomes included lifetime costs (2022 US dollars), quality-adjusted life-years (QALYs), and incremental cost-effectiveness ratios (ICERs). RESULTS: Under base case assumptions, annual surveillance yielded higher costs and lower health effects (QALYs) compared with the tapered and personalized surveillance strategies (dominated). Personalized surveillance demonstrated an additional 0.1 QALY at additional cost ($1298) compared with tapered surveillance (7.7 QALYs at a cost of $12,862). The ICER was $11,793/QALY. The optimal decision was most sensitive to the probability of postoperative changes on MRI after surgery and MRI cost. Accounting for parameter uncertainty, personalized surveillance had a higher probability of being a cost-effective surveillance option compared with the alternative strategies at 79%. CONCLUSIONS: Using standard cost-effectiveness thresholds in the US ($100,000/QALY), personalized surveillance that accounted for remnant disease or postoperative changes on MRI was cost-effective compared with alternative surveillance strategies.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».