Real-World Cost-Effectiveness Analysis: How Much Uncertainty Is in the Results?
Notice bibliographique
Résumé
Cost-effectiveness analyses of new cancer treatments in real-world settings (e.g., post-clinical trials) inform healthcare decision makers about their healthcare investments for patient populations. The results of these analyses are often, though not always, presented with statistical uncertainty. This paper identifies five ways to characterize statistical uncertainty: (1) a 95% confidence interval (CI) for the incremental cost-effectiveness ratio (ICER); (2) a 95% CI for the incremental net benefit (INB); (3) an INB by willingness-to-pay (WTP) plot; (4) a cost-effectiveness acceptability curve (CEAC); and (5) a cost-effectiveness scatterplot. It also explores their usage in 22 articles previously identified by a rapid review of real-world cost effectiveness of novel cancer treatments. Seventy-seven percent of these articles presented uncertainty results. The majority those papers (59%) used administrative data to inform their analyses while the remaining were conducted using models. Cost-effectiveness scatterplots were the most commonly used method (34.3%), with 40% indicating high levels of statistical uncertainty, suggesting the possibility of a qualitatively different result from the estimate given. Understanding the necessity for and the meaning of uncertainty in real-world cost-effectiveness analysis will strengthen knowledge translation efforts to improve patient outcomes in an efficient manner.
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 | 0,171 | 0,530 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,004 |
| Bibliométrie | 0,009 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,009 |
| Communication savante | 0,016 | 0,024 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,005 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».