Cost effectiveness review of text messaging, smartphone application, and website interventions targeting T2DM or hypertension
Notice bibliographique
Résumé
Digital health interventions have been shown to be clinically-effective for type 2 diabetes mellitus (T2DM) and hypertension prevention and treatment. This study synthesizes and compares the cost-effectiveness of text-messaging, smartphone application, and websites by searching CINAHL, Cochrane Central, Embase, Medline and PsycInfo for full economic or cost-minimisation studies of digital health interventions in adults with or at risk of T2DM and/or hypertension. Costs and health effects are synthesised narratively. Study quality appraisal using the Consensus on Health Economic Criteria (CHEC) list results in recommendations for future health economic evaluations of digital health interventions. Of 3056 records identified, 14 studies are included (7 studies applied text-messaging, 4 employed smartphone applications, and 5 used websites). Ten studies are cost-utility analyses: incremental cost-utility ratios (ICUR) vary from dominant to €75,233/quality-adjusted life year (QALY), with a median of €3840/QALY (interquartile range €16,179). One study finds no QALY difference. None of the three digital health intervention modes is associated with substantially better cost-effectiveness. Interventions are consistently cost-effective in populations with (pre)T2DM but not in populations with hypertension. Mean quality score is 63.0% (standard deviation 13.7%). Substandard application of time horizon, sensitivity analysis, and subgroup analysis next to transparency concerns (regarding competing alternatives, perspective, and costing) downgrades quality of evidence. In conclusion, smartphone application, text-messaging, and website-based interventions are cost-effective without substantial differences between the different delivery modes. Future health economic studies should increase transparency, conduct sufficient sensitivity analyses, and appraise the ICUR more critically in light of a reasoned willingness-to-pay threshold.Registration: PROSPERO (CRD42021247845).
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 | 0,015 | 0,055 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,010 | 0,017 |
| Bibliométrie | 0,010 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».