2615 Decision-analytic modelling of strategies for investigating suspected acute aortic syndrome
Notice bibliographique
Résumé
Aims and Objectives Acute aortic syndrome (AAS) requires urgent diagnosis with computer tomographic angiography (CTA). Diagnostic strategies using clinical scores and blood tests can select patients for CTA. Identifying an appropriate strategy involves weighing the benefits of detecting AAS against the harms and costs of over-investigation. We aimed to estimate the cost-effectiveness of diagnostic strategies using the Aortic Dissection Detection Risk Score (ADD-RS) and/or D-dimer to select patients with potential symptoms of AAS for CTA. Method and Design We developed a decision-analytic model to simulate the management of patients attending hospital with possible AAS. We modelled diagnostic strategies that used the ADD-RS and/or D-dimer to select patients for CTA. We used estimates from our meta-analysis, existing literature, and clinical experts to model the consequences of diagnostic strategies upon survival, health utility, and health and social care costs. We estimated the incremental cost per quality-adjusted life years (QALYs) gained by each strategy compared to the next most effective alternative on the efficiency frontier. Results and Conclusion A strategy based on the Canadian guideline (CTA if ADD-RS>1 or ADD-RS=1 with D-dimer>500ng/mL) is cost-effective but would result in high rates of CTA if applied to an unselected population (AAS prevalence 0.26%). The strategy is also cost-effective and would result in lower rates of CTA if applied to a more selected population, such as those with a non-zero clinical suspicion of AAS (prevalence 0.61%). For patients currently receiving CTA, using ADD RS>1 or D-Dimer>500ng/mL to select patients for CTA is cost-effective. A strategy using ADD RS>1 or ADD RS=1 with D-dimer>500ng/mL to select patients for CTA appears cost-effective but primary research is required to evaluate this strategy in practice and determine how suspicion of AAS is identified.
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 | 0,007 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,004 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 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 ».