Cost-effectiveness of endovascular thrombectomy for acute ischemic stroke with established large infarct in Germany: a decision tree and Markov model
Notice bibliographique
Résumé
BACKGROUND: Recent studies, including the TENSION trial, support the use of endovascular thrombectomy (EVT) in acute ischemic stroke with large infarct (Alberta Stroke Program Early Computed Tomography Score (ASPECTS) 3-5). OBJECTIVE: To evaluate the cost-effectiveness of EVT compared with best medical care (BMC) alone in this population from a German healthcare payer perspective. METHODS: A short-term decision tree and a long-term Markov model (lifetime horizon) were used to compare healthcare costs and quality-adjusted life years (QALYs) between EVT and BMC. The effectiveness of EVT was reflected by the 90-day modified Rankin Scale (mRS) outcome from the TENSION trial. QALYs were based on published mRS-specific health utilities (EQ-5D-3L indices). Long-term healthcare costs were calculated based on insurance data. Costs (reported in 2022 euros) and QALYs were discounted by 3% annually. Cost-effectiveness was assessed using incremental cost-effectiveness ratios (ICERs). Deterministic and probabilistic sensitivity analyses were performed to account for parameter uncertainties. RESULTS: Compared with BMC, EVT yielded higher lifetime incremental costs (€24 257) and effects (1.41 QALYs), resulting in an ICER of €17 158/QALY. The results were robust to parameter variation in sensitivity analyses (eg, 95% probability of cost-effectiveness was achieved at a willingness to pay of >€22 000/QALY). Subgroup analyses indicated that EVT was cost-effective for all ASPECTS subgroups. CONCLUSIONS: EVT for acute ischemic stroke with established large infarct is likely to be cost-effective compared with BMC, assuming that an additional investment of €17 158/QALY is deemed acceptable by the healthcare payer.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».