Cost-Effectiveness of Clinical Decision Support to Improve CKD Outcomes Among First Nations Australians
Notice bibliographique
Résumé
Introduction: The Northern Territory (NT) is a hotspot for chronic kidney disease (CKD) and has a high incidence of kidney replacement therapy (KRT). The Territory Kidney Care clinical decision support (CDS) tool aims to improve diagnosis and management of CKD in remote NT, particularly among First Nations Australians. We model the cost-effectiveness of the CDS versus usual care. Methods: Taking a health care funder perspective, we modeled a cohort of people from remote NT at risk of or with CKD, as of January 1, 2017. A Markov cohort model was developed using 6 years of observed patient-level data (2017-2023), extrapolated to a 15-year time horizon. The CDS tool was modeled to improve CKD diagnosis (scenario 1), improve management (scenario 2), or improve both diagnosis and management (scenario 3). Results: The remote NT cohort consisted of 23,195 people, predominantly (89%) First Nations, with a mean age of 42 years. Scenario 3 (improved diagnosis and management) was most cost-effective at an incremental cost-effectiveness ratio (ICER) of $96,684 per patient avoiding KRT, $30,086 per patient avoiding death. Scenario 1 (improved diagnosis) was less cost-effective, and scenario 2 (improved management) was the least cost-effective. The ICER per quality-adjusted life years (QALYs) gained ranged from $3427 (scenario 3) to $63,486 (scenario 2). Conclusion: Territory Kidney Care is highly cost-effective when it supports early diagnosis of CKD and increases optimal management in diagnosed patients. These results support investing in CDS tools, implemented in strong partnerships, to improve outcomes in settings with a high burden of CKD.
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 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».