Next-generation sequencing in oncology: challenges in economic evaluations
Notice bibliographique
Résumé
INTRODUCTION: Next-generation sequencing (NGS) identifies genetic variants to inform personalized treatment plans. Insufficient evidence of cost-effectiveness impedes the integration of NGS into routine cancer care. The complexity of personalized treatment challenges conventional economic evaluation. Clearly delineating challenges informs future cost-effectiveness analyses to better value and contextualize health, preference-, and equity-based outcomes. AREAS COVERED: We conducted a scoping review to characterize the applied methods and outcomes of economic evaluations of NGS in oncology and identify existing challenges. We included 27 articles published since 2016 from a search of PubMed, Embase, and Web of Science. Identified challenges included defining the evaluative scope, managing evidentiary limitations including lack of causal evidence, incorporating preference-based utility, and assessing distributional and equity-based impacts. These challenges reflect the difficulty of generating high-quality clinical effectiveness and real-world evidence (RWE) for NGS-guided interventions. EXPERT OPINION: Adapting methodological approaches and developing life-cycle health technology assessment (HTA) guidance using RWE is crucial for implementing NGS in oncology. Healthcare systems, decision-makers, and HTA organizations are facing a pivotal opportunity to adapt to an evolving clinical paradigm and create innovative regulatory and reimbursement processes that will enable more sustainable, equitable, and patient-oriented healthcare.
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 | 0,218 | 0,457 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,005 |
| Bibliométrie | 0,006 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,008 | 0,009 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,005 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».