MétaCan
Menu
Retour à la cohorte
Enregistrement W4389703373 · doi:10.1017/s0266462323001642

OP173 Estimating The Marginal Productivity Of Health Technology Adoption

2023· article· en· W4389703373 sur OpenAlexaboutno aff
Charles Yan, Manik Saini, R. Bacigalupo, Selva Bayat, Jeff Round

Notice bibliographique

RevueInternational Journal of Technology Assessment in Health Care · 2023
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealth Systems, Economic Evaluations, Quality of Life
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésResidenceMedicineConfoundingProductivityHealth careInstrumental variableMarginal costDemographyGerontologyEnvironmental healthEconomicsEconometricsEconomic growth

Résumé

récupéré en direct d'OpenAlex

Introduction Decisions to adopt health technologies rely, in part, on judgements about cost effectiveness. Cost effectiveness is commonly assessed against a willingness-to-pay threshold for health gains. Building an evidence base on the marginal productivity of health spending to inform the value of the threshold is increasingly of interest for resource allocation decision-making and technology implementation. We report on an in-progress analysis to inform a threshold for policy purposes in British Columbia, Canada. Methods We developed a ten-year panel-data model with instrumental variables, which lessens the degree of time-invariant confounding and addresses biased causal inferences caused by unobserved factors, to provide estimates of the marginal cost per health unit measured using quality-adjusted life-years (QALYs). We use the Johns Hopkins Adjusted Clinical Group (ACG) system and a British Columbia Health System Matrix to classify patients into six resource use bands (RUBs) ranging from ‘healthy’ to ‘very high morbidity’. Patients are also classified by chronic conditions and types of services. Place of residence and geographical region of health authorities are considered. Variables included age, gender, mortality and comorbidity rates, costs of hospitalizations, emergency department and physician visits, residential and home care, laboratory services, diagnosis and medications, and quality of life. Instrumental variables included sociodemographic characteristics as reported in the Canadian census. Results The largest RUB was ‘moderate’ morbidity (39.3%), while the smallest was ‘healthy’ (1.5%). The youngest was the ‘low’ morbidity (mean 31, standard deviation [SD] 21) and the oldest was ‘very high’ (mean 69, SD 17). The healthy group had the smallest mean costs (CND563, SD CND4,121; equivalent to USD421, SD USD3,083). In contrast, the ‘very high’ group had the largest (CND20,398, SD CND36,188; equivalent to USD15,258, SD USD27,069). Age and gender standardized comorbidity index scores ranged from 0.05 to 6.41 (median 0.98). Additional analyses (e.g., costs per QALY) are ongoing and the results will be reported at the conference. Conclusions Our empirical approach is robust and flexible, allowing estimates of marginal productivity according to factors such as disease, geographical region, service type, and care sector. This work has applications at the provincial and national levels and adds to methodological literature in the field.

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)0,006
score de la tête « metaresearch » (Gemma)0,026
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,364
Score d'incertitude au seuil0,725

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,026
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0000,001
Communication savante0,0030,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0150,001

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 Opus0,217
Tête enseignante GPT0,502
Écart entre enseignants0,285 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

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

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Technology Assessment in Health CareMême sujetHealth Systems, Economic Evaluations, Quality of LifeTravaux en français237 207