Target trial emulation with real-world data to determine the population-level cost-effectiveness of multi-gene panel sequencing in advanced melanoma.
Notice bibliographique
Résumé
e21508 Background: Compared to single-gene BRAF testing to guide targeted treatment for advanced melanoma, multi-gene panels can identify additional gene mutations with known therapeutic or prognostic relevance. No randomized control trials of multi-gene panel sequencing have been completed in advanced melanoma. This study determined the population-level cost-effectiveness of multi-gene panel sequencing compared to single-gene BRAF testing for advanced melanoma. Methods: Our population-based retrospective study emulated a hypothetical pragmatic trial using comprehensive patient-level clinical and health administrative data between September 2016 and December 2018 from British Columbia, Canada. To emulate random treatment assignment, we 1:1 matched multi-gene panel patients to contemporaneous controls using a machine learning approach that maximized balance on 15 covariates. Following matching, we estimated mean three-year survival time and costs (2021 CAD), and calculated incremental net monetary benefit (INMB) for life-years gained (LYG) at $100,000/LYG using inverse probability of censoring weighted linear regression and nonparametric bootstrapping. Besides an intention-to-treat (ITT) effect, we also estimated the per-protocol (PP) effect of initiating treatment within 90 days of receiving test results additionally using inverse probability of treatment weights. We also estimated overall survival using Weibull regression and Kaplan-Meier (KM) survival analysis. Results: We matched 147 patients receiving multi-gene panel sequencing to controls, achieving good balance for all included covariates. ITT mean incremental costs were $19,541 (95%CI: -$18,939, $77,396) and mean incremental LYG were 0.22 (95%CI: -0.06, 0.50). We did not find statistically significant different differences in overall survival using the KM (P = 0.11) and Weibull regression (HR: 0.73 [95%CI: 0.51-1.03]) survival analysis in the ITT analysis. PP incremental costs were $36,367 (95%CI: -$6,653, $120,216) and incremental LYG were 0.56 (95%CI: 0.39, 1.24), with corresponding differences in overall survival using KM (P = 0.02) and Weibull regression (HR: 0.56 [95%CI: 0.36-0.87]) survival analysis. The probability of multi-gene panel sequencing being cost-effective at $100,000/LYG was 54.9% in the ITT analysis and 64.5% in the PP analysis. Conclusions: We found the cost-effectiveness of multi-gene panel sequencing to be evenly poised, with estimates favouring multi-gene panel sequencing with respect to overall survival and cost-effectiveness when accounting for probability of treatment initiation. This real-world evidence generated using randomized trial design principles can support jurisdictions’ deliberations on the reimbursement of precision oncology interventions.
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 | 0,126 | 0,157 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,006 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| 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 ».