MétaCan
Menu
Retour à la cohorte
Enregistrement W4388706053 · doi:10.46292/sci23-00035s

The Challenges in Conducting Economic Evaluations for Rehabilitation Technologies

2023· review· en· W4388706053 sur OpenAlexaff
Brian Chan

Notice bibliographique

RevueTopics in Spinal Cord Injury Rehabilitation · 2023
Typereview
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealth Systems, Economic Evaluations, Quality of Life
Établissements canadiensToronto Rehabilitation InstituteUniversity of TorontoUniversity Health Network
Organismes subventionnairesnon disponible
Mots-clésRehabilitationHealth technologyMedicineHealth careEmerging technologiesPsychological interventionSystematic reviewQuality (philosophy)Economic evaluationProcess (computing)Risk analysis (engineering)MEDLINEProcess managementBusinessComputer sciencePhysical therapyNursingPolitical science

Résumé

récupéré en direct d'OpenAlex

Background: Health technology assessment (HTA) is an important evidentiary component in the decision-making process for the adoption of new healthcare technologies to the healthcare system. Economic evidence is an important consideration in HTAs. Recent systematic reviews in rehabilitation have shown a limited number of economic evaluations and high levels of uncertainty in the results. It is unclear whether there are challenges related to the field of rehabilitation and the technologies used in rehabilitation that inhibit the development of economic evidence. Methods: In this study, economic evaluations in rehabilitation were reviewed. This was followed by a summary of the latest evidence on the challenges of conducting HTA for medical devices and the relationship with rehabilitation technologies. Finally, several considerations are suggested to improve the HTA of technologies that target rehabilitation. A literature review of Google Scholar and PubMed was conducted to identify reviews in economic evaluations in rehabilitation. A recent review on the barriers to HTA of medical devices in general was also examined to identify similar concerns with rehabilitation technologies. Results: The challenges identified include the lack of high-quality studies, the interaction between the technology and the user, the short product life cycle, and estimation of efficacy in technologies with multiple target populations. Conclusion: Overall, many of the challenges in evaluating medical devices also apply to rehabilitation interventions. Further research and discussion on these issues are necessary to increase the clinical evidence for rehabilitation technologies, strengthen the development of HTAs, and facilitate the use of technologies to improve the health of individuals requiring rehabilitation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,665
score de la tête « metaresearch » (Gemma)0,854
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,665
Score d'incertitude au seuil0,413

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,6650,854
Méta-épidémiologie (sens strict)0,0020,002
Méta-épidémiologie (sens large)0,0090,008
Bibliométrie0,0140,016
Études des sciences et des technologies0,0030,007
Communication savante0,0200,019
Science ouverte0,0070,007
Intégrité de la recherche0,0080,010
Charge utile insuffisante (le modèle a refusé de juger)0,0090,001

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.

Tête enseignante Opus0,689
Tête enseignante GPT0,574
Écart entre enseignants0,115 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTopics in Spinal Cord Injury RehabilitationMême sujetHealth Systems, Economic Evaluations, Quality of LifeTravaux en français237 207