Systematic review of cost-effectiveness modelling studies for haemophilia
Notice bibliographique
Résumé
AIMS: Haemophilia is a rare genetic disease that hinders blood clotting. We aimed to review model-based cost-effectiveness analyses (CEAs) of haemophilia treatments, describe the sources of clinical evidence used by these CEAs, summarize the reported cost-effectiveness of different treatment strategies, and assess the quality and risk of bias. METHODS: We conducted a systematic literature review of model-based CEAs of haemophilia treatments by searching databases, the Tufts Medical Center CEA registry, and grey literature. We summarized and qualitatively synthesized the approaches and results of the included CEAs, without a meta-analysis due the diversity of the studies. RESULTS: 32 eligible studies were performed in 12 countries and reported 53 pairwise comparisons. Most studies analysed patients with haemophilia A rather than haemophilia B. Comparisons of prophylactic versus on-demand treatment indicated that prophylaxis may not be cost-effective, but there was no clear consensus. Emicizumab was generally cost-effective compared with clotting factor treatments and was always dominant for patients with inhibitors. Immune tolerance induction following a Malmö protocol was found to be cost-effective compared to bypassing agents, while there was no consensus for the other protocols. Gene therapies as well as treatment with extended half-life coagulation factors were always cost-effective over their comparators. Studies were highly heterogenous regarding their time horizons, model structures, the inclusion of bleeding-related mortality and quality-of-life impacts. This heterogeneity limited the comparability of the studies. 19 of the 32 included studies received industry funding, which may have biased their results. LIMITATIONS: It was not possible to perform a quantitative synthesis of the results due to the heterogeneity of the underlying studies. CONCLUSION: Differences in results between previous CEAs may have been driven by heterogeneity in modelling approaches, clinical input data, and potential funding biases. A more consistent evidence base and modelling approach would enhance the comparability between CEAs.
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 | 0,007 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».