MétaCan
Menu
Retour à la cohorte
Enregistrement W4405989672 · doi:10.1001/jamanetworkopen.2024.52821

Cost-Effectiveness of Breast Cancer Screening Using Digital Mammography in Canada

2025· article· en· W4405989672 sur OpenAlexafffundabout
Anna N. Wilkinson, James G. Mainprize, Martin J. Yaffe, J. Michael Robinson, Erin Cordeiro, Nicole J. Look Hong, Phillip Williams, Nikitha Moideen, Julie Renaud, Jean M. Seely, Moira Rushton

Notice bibliographique

RevueJAMA Network Open · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueGlobal Cancer Incidence and Screening
Établissements canadiensOttawa HospitalUniversity of TorontoSunnybrook Health Science CentreUniversity of Ottawa
Organismes subventionnairesNational Cancer InstituteAstraZenecaHealth CanadaPartenariat Canadien Contre Le CancerGilead SciencesEli Lilly and Company
Mots-clésMedicineBreast cancerBreast cancer screeningContext (archaeology)DemographyCost effectivenessQuality-adjusted life yearPopulationHealth careMammographyCohortCost–benefit analysisCancerEnvironmental healthGerontologyInternal medicine

Résumé

récupéré en direct d'OpenAlex

Importance: Evolving breast cancer treatments have led to improved outcomes but carry a substantial financial burden. The association of treatment costs with the cost-effectiveness of screening mammography is unknown. Objective: To determine the cost-effectiveness of population-based breast cancer screening in the context of current treatment standards. Design, Setting, and Participants: In this economic evaluation, the Canadian Partnership Against Cancer/Statistics Canada OncoSim-Breast microsimulation model was used to estimate the impact of various screening schedules in terms of clinical outcomes and treatment costs. Breast cancer treatment costs were derived from activity-based costing published in 2023 specific to a publicly funded health system in Ontario, Canada. A single birth cohort of individuals assigned female at birth in 1975 was modeled until death or age 99 years (whichever came first). Exposures: Five screening scenarios were modeled: no screening, biennial (ages 50-74 years and 40-74 years), hybrid (biennial ages 40-49 years and annual ages 50-74 years), and annual screening (ages 40-74 years). Main Outcomes and Measures: Incremental cost-effectiveness ratios for deaths averted, life-years (LYs) gained, and incremental cost-utility ratios for quality-adjusted life-years (QALYs) gained were determined for screening scenarios. Sensitivity analyses were conducted by varying screening participation rates and reducing recall rates to 5% and the estimated mortality benefits of screening. Results: Earlier initiation of breast cancer screening at age 40 years (vs age 50 years) was associated with improved clinical outcomes (deaths averted, LYs saved, and QALYs gained) and reduced health care spending on breast cancer treatment. From a health system perspective, incremental cost-effectiveness ratios for biennial screening at ages 40 to 74 years compared with biennial screening at ages 50 to 74 years were cost saving, with CAD$49 759 saved per death averted, $1558 per LY saved, and $2007 saved per QALY gained. Annual screening at ages 40 to 74 years was cost-effective while achieving the best breast cancer outcomes, with costs of $25 501 per death averted, $1100 per LY saved, and $1447 per QALY gained compared with the current Canadian standard of biennial screening at ages 50 to 74 years. Conclusions and Relevance: In this economic analysis, although screening costs increased according to the number of lifetime screens, they were completely or largely offset by reduced breast cancer therapy costs. Digital mammography was a highly cost-effective tool to reduce breast cancer mortality. These results have important policy implications for all single-payer health systems and call for greater investment in screening programs.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,290
Score d'incertitude au seuil0,525

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,086
Tête enseignante GPT0,373
Écart entre enseignants0,286 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations21
Publié2025
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueJAMA Network OpenMême sujetGlobal Cancer Incidence and ScreeningTravaux en français237 207