Cost-Utility of Real-Time Potassium Monitoring in Hemodialysis Patients
Notice bibliographique
Résumé
Background: Patients with kidney failure requiring dialysis are at high risk for hyperkalemia, a result of elevated levels of potassium, which is associated with increased morbidity and mortality. Interventions aimed at early detection of hyperkalemic events may be useful to prevent these outcomes and their associated costs. As such, we performed a cost-utility analysis comparing an intervention where a real-time potassium monitoring device is administered in hemodialysis patients in comparison to usual care. Methods: We performed a cost-utility analysis by developing a decision analytic microsimulation model from the perspective of the United States health care payer. Outcomes included the monthly break-even cost per patient of the proposed intervention and the incremental cost-effectiveness ratio (ICER) comparing use of the real-time potassium monitoring device to usual care. Costs associated with hyperkalemic events (emergency department and hospitalization specific) and dialysis were included. Utility estimates from a systematic review and meta-analysis were used to derive utilities for patients on hemodialysis. A reduction in hyperkalemic events of 25% was applied in the intervention scenario as a baseline effectiveness estimate, with a range between 10-50% considered in sensitivity analyses. Results: Threshold analysis yielded a monthly break-even cost of $689.56 US dollars per patient in the base case scenario. In addition, the microsimulation model found the intervention provided 0.04 additional quality-adjusted life-years (QALYs), and as such at any price point below or equal to the break-even cost the intervention was dominant in comparison to usual care. When altering effectiveness estimates between a reduction of hyperkalemic events between 10% to 50%, the monthly break-even cost ranged from $265.36 to $1387.90 USD respectively. Conclusions: Implementing a real-time potassium monitoring device in hemodialysis patients to prevent hyperkalemic events has the potential for cost savings and increased quality of life from the perspective of the Unites States health care payer. Funding: Commercial Support - Proton Intelligence INC
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,000 |
| 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 ».