Cost-Effectiveness of Low-Dose Computed Tomography Screenings for Lung Cancer in High-Risk Populations: A Markov Model
Notice bibliographique
Résumé
Background: Domestic and foreign studies on lung cancer have been oriented to the medical efficacy of low-dose computed tomography (LDCT), but there is a lack of studies on the costs, value and cost-effectiveness of the treatment. There is a scarcity of conclusive evidence regarding the cost-effectiveness of LDCT within the specific context of Taiwan. This study is designed to address this gap by conducting a comprehensive analysis of the cost-effectiveness of LDCT and chest X-ray (CXR) as screening methods for lung cancer. Methods: Markov decision model simulation was used to estimate the cost-effectiveness of biennial screening with LDCT and CXR based on a health provider perspective. Inputs are based on probabilities, health status utility (quality-adjusted life years (QALYs)), costs of lung cancer screening, diagnosis, and treatment from the literatures, and expert opinion. A total of 1,000 simulations and five cycles of Markov bootstrapping simulations were performed to compare the incremental cost-utility ratio (ICUR) of these two screening strategies. Probability and one-way sensitivity analyses were also performed. Results: The ICUR of early lung cancer screening compared LDCT to CXR is $-24,757.65/QALYs, and 100% of the probability agree to adopt it under a willingness-to-pay (WTP) threshold of the Taiwan gross domestic product (GDP) per capita ($35,513). The one-way sensitivity analysis also showed that ICUR depends heavily on recall rate. Based on the prevalence rate of 39.7 lung cancer cases per 100,000 people in 2020, it could be estimated that LDCT screening for high-risk populations could save $17,154,115. Conclusion: LDCT can detect more early lung cancers, reduce mortality and is cost-saving than CXR in a long-term simulation of Taiwan's healthcare system. This study provides valuable insights for healthcare decision-makers and suggests analyzing cost-effectiveness for additional variables in future research.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».