Cost-Utility of Real-Time Potassium Monitoring in United States Patients Receiving Hemodialysis
Notice bibliographique
Résumé
Introduction: Patients with kidney failure requiring hemodialysis are at high risk for hyperkalemia between treatments, which is associated with increased cardiovascular morbidity and mortality. Early detection of hyperkalemic events may be useful to prevent adverse outcomes and their associated costs. We performed a cost-utility analysis comparing an intervention where a real-time potassium monitoring device is administered in patients on hemodialysis in comparison to usual care. Methods: We developed a cost-utility model with microsimulation from the perspective of the United States health care payer. Primary outcomes included the monthly cost-effectiveness threshold cost and break-even cost per patient attributable to the intervention and the incremental cost-effectiveness ratio comparing the intervention to usual care. A 25% reduction in hyperkalemic events was applied as a baseline device effectiveness estimate. Concurrent first and second order microsimulations were performed using 10%, 25%, and 50% effectiveness estimates as sensitivity analyses. Results are presented over a 10-year time horizon in 2022 United States dollars and a willingness-to-pay threshold of $100,000 per quality-adjusted life year (QALY) was considered. Results: Over 10 years, threshold and break-even analysis yielded maximum monthly costs of $201.10 and $144.15 per patient, respectively. The intervention was associated with reduced mean costs ($6381.21) and increased mean QALYs (0.03) per patient; therefore, was considered dominant. In sensitivity analysis, the intervention was dominant in 99% of simulations performed at all effectiveness rates. Conclusion: Implementing a real-time potassium monitoring device in patients on hemodialysis has the potential for cost savings and improved outcomes from the perspective of the United States health care 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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».