Economic evaluation of prostate cancer risk assessment methods: A cost‐effectiveness analysis using population data
Notice bibliographique
Résumé
BACKGROUND: The current prostate cancer (PCa) screening standard of care (SOC) leads to unnecessary biopsies and overtreatment because decisions are guided by prostate-specific antigen (PSA) levels, which have low specificity in the gray zone (3-10 ng/mL). New risk assessment tools (RATs) aim to improve biopsy decision-making. We constructed a modeling framework to assess new RATs in men with gray zone PSA from the British Columbia healthcare system's perspective. METHODS: We evaluated the cost-effectiveness of a new RAT used in biopsy-naïve men aged 50+ with a PSA of 3-10 ng/mL using a time-dependent state-transition model. The model was informed by engaging patient partners and using linked administrative health data, supplemented with published literature. The incremental cost-effectiveness ratio and the probability of the RAT being cost-effective were calculated. Probabilistic analysis was used to assess parameter uncertainty. RESULTS: In the base case, a RAT based on an existing biomarker's characteristics was a dominant strategy associated with a cost savings of $44 and a quality-adjusted life years (QALY) gain of 0.00253 over 18 years of follow-up. At a cost-effectiveness threshold of $50,000/QALY, the probability that using a RAT is cost-effective relative to the SOC was 73%. Outcomes were sensitive to RAT costs and accuracy, especially the detection rate of high-grade PCa. Results were also impacted by PCa prevalence and assumptions about undetected PCa survival. CONCLUSIONS: Our findings showed that a more accurate RAT to guide biopsy can be cost-effective. Our proposed general model can be used to analyze the cost-effectiveness of any novel RAT.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».