Cost-effectiveness of Artificial Intelligence-Aided Colonoscopy for Adenoma Detection in Colon Cancer Screening
Notice bibliographique
Résumé
Background and Aims: Artificial intelligence-aided colonoscopy significantly improves adenoma detection. We assessed the cost-effectiveness of the GI Genius technology, an artificial intelligence-aided computer diagnosis for polyp detection (CADe), in improving colorectal cancer outcomes, adopting a Canadian health care perspective. Methods: A Markov model with 1-year cycles and a lifetime horizon was used to estimate incremental cost-effectiveness ratio comparing CADe to conventional colonoscopy polyp detection amongst patients with a positive faecal immunochemical test. Outcomes were life years (LYs) and quality-adjusted life years (QALY) gained. The analysis applied costs associated with health care resource utilization, including procedures and follow-ups, from a provincial payer's perspective using 2022 Canadian dollars. Effectiveness and cost data were sourced from the literature and publicly available databases. Extensive probabilistic and deterministic sensitivity analyses were performed, assessing model robustness. Results: Life years and QALY gains for the CADe and conventional colonoscopy groups were 19.144 versus 19.125 and 17.137 versus 17.113, respectively. CADe and conventional colonoscopies' overall per-case costs were $2990.74 and $3004.59, respectively. With a willingness-to-pay pre-set at $50,000/QALY, the incremental cost-effectiveness ratio was dominant for both outcomes, showing that CADe colonoscopy is cost-effective. Deterministic sensitivity analysis confirmed that the model was sensitive to the incidence risk ratio of adenoma per colonoscopy for large adenomas. Probabilistic sensitivity analysis showed that the CADe strategy was cost-effective in up to 73.4% of scenarios. Conclusion: The addition of CADe solution to colonoscopy is a dominant, cost-effective strategy when used in faecal immunochemical test-positive patients in a Canadian health care setting.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».