Exploring the Cost-Utility of a Biomarker Predicting Persistent Severe Acute Kidney Injury: The Case of C-C Motif Chemokine Ligand 14 (CCL14)
Notice bibliographique
Résumé
Background: Approximately 24% of hospitalized stage 2-3 acute kidney injury (AKI) patients will develop persistent severe AKI (PS-AKI), defined as KDIGO stage 3 AKI lasting ≥3 days or with death in ≤3 days or stage 2 or 3 AKI with dialysis in ≤3 days, leading to worse outcomes and higher costs. There is currently no consensus on an intervention that effectively reverts the course of AKI and prevents PS-AKI in the population with stage 2-3 AKI. This study explores the cost-utility of biomarkers predicting PS-AKI, under the assumption that such intervention exists by comparing C-C motif chemokine ligand 14 (CCL14) to hospital standard of care (SOC) alone. Methods: The analysis combined a 90-day decision tree using CCL14 operating characteristics to predict PS-AKI and clinical outcomes in 66-year-old patients, and a Markov cohort estimating lifetime costs and quality-adjusted life years (QALYs). Cost and QALYs from admission, 30-day readmission, intensive care, dialysis, and death were compared. Clinical and cost inputs were informed by a large retrospective cohort of US hospitals in the PINC AI Healthcare Database. Inputs and assumptions were challenged in deterministic and probabilistic sensitivity analyses. Two-way analyses were used to explore the efficacy and costs of an intervention preventing PS-AKI. Results: Depending on selected costs and early intervention efficacy, CCL14-directed care led to lower costs and more QALYs (dominating) or was cost-effective at the $50,000/QALY threshold. Assuming the intervention would avoid 10% of PS-AKI complications in AKI stage 2-3 patients identified as true positive resulted in 0.066 additional QALYs and $486 reduced costs. Results were robust to substantial parameter variation. Conclusion: The analysis suggests that in the presence of an efficacious intervention preventing PS-AKI, identifying people at risk using CCL14 in addition to SOC is likely to represent a cost-effective use of resources.
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 | 0,007 | 0,003 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».