MétaCan
Menu
Retour à la cohorte
Enregistrement W4399812970 · doi:10.1177/23814683241260423

Screening and Treatment of Posttraumatic Stress Disorder in Wildfire Evacuees: A Cost-Utility Analysis

2024· article· en· W4399812970 sur OpenAlexafffundabout
Michael Lebenbaum, Syed Ahmed Hassan

Notice bibliographique

RevueMDM Policy & Practice · 2024
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate Change and Health Impacts
Établissements canadiensUniversity of Toronto
Organismes subventionnairesSocial Sciences and Humanities Research Council of Canada
Mots-clésParoxetineWillingness to payQuality-adjusted life yearMedicineCost–utility analysisEconomic evaluationPosttraumatic stressIntervention (counseling)PsychologyPsychiatryClinical psychologyCost effectivenessEconomicsAntidepressant

Résumé

récupéré en direct d'OpenAlex

Background. Global climate change is resulting in dramatic increases in wildfires. Individuals exposed to wildfires experience a high burden of posttraumatic stress disorder (PTSD), and the cost-effectiveness of the treatment options to address PTSD from wildfires has not been studied. The objective of this study was to conduct a cost-utility analysis comparing screening followed by treatment with paroxetine or trauma-focused cognitive behavioral therapy (TF-CBT) versus no screening in Canadian adult wildfire evacuees. Methods. Using a Markov model, quality-adjusted life-years (QALYs) and costs were evaluated over a 5-y time horizon using health care and societal perspectives. All costs and utilities in the model were discounted at 1.5%. Probabilistic and deterministic sensitivity analyses examined the uncertainty in the incremental net monetary benefit (INMB) under a willingness-to-pay threshold of $50,000. Results. From a societal perspective, no screening (NMB = $177,641) was dominated by screening followed by treatment with paroxetine (NMB = $180,733) and TF-CBT (NMB = $181,787), with TF-CBT having the highest likelihood of being cost-effective at a willingness-to-pay threshold of $50,000 per QALY (probability = 0.649). The initial prevalence of PTSD, probability of acceptance of treatment, and costs of productivity had the largest impact on the INMB of both paroxetine or TF-CBT versus no screening. Neither intervention was cost-effective at a willingness-to-pay threshold of $50,000 per QALY from a health care perspective. Interpretation. Screening followed by treatment with paroxetine or TF-CBT compared with no screening was found to be cost-saving while providing additional QALYs in wildfire evacuees. Governments should consider funding screening programs for PTSD followed by treatment with TF-CBT for wildfire evacuees. Highlights Two prior studies examined the cost-effectiveness of screening followed by treatment for PTSD among individuals exposed to other disaster-type events (i.e., terrorist attack and Hurricane Sandy) and found screening followed by treatment (i.e., cognitive behavioral therapy [CBT]) to be highly cost-effective. Among wildfire evacuees, screening followed by treatment with paroxetine or trauma-focused (TF)–CBT provides additional quality-adjusted life-years (QALYs) and is cost-saving from a societal perspective. TF-CBT was the treatment option found most likely to be cost-effective. Neither treatment option was cost-effective at a willingness-to-pay threshold of $50,000 per QALY from a health care perspective. Screening programs for PTSD should be considered for wildfire evacuees, and individuals diagnosed with PTSD could be prescribed either TF-CBT or paroxetine depending on their preference and resources availability.

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)0,020
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,174
Score d'incertitude au seuil0,345

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,020
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0030,005
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0020,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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.

Tête enseignante Opus0,087
Tête enseignante GPT0,417
Écart entre enseignants0,330 · 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'étudeObservationnel
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

Citations3
Publié2024
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueMDM Policy & PracticeMême sujetClimate Change and Health ImpactsTravaux en français237 207