OP43 Incorporating Mathematical Modeling To Improve Accuracy Of Budget Impact Analysis: Using Screening For Hepatitis C As An Example
Notice bibliographique
Résumé
Introduction The majority of those infected with chronic hepatitis C (CHC) are asymptomatic. Population screening has proven to be both effective and cost effective. When considering whether to implement screening or not, the uncertainty of the budget impact plays an important role. This study aims to develop methods that improve the accuracy of budget impact analysis for a one-time CHC screening program. Methods We developed a back-calculation mathematical model that employs a Markov chain Monte Carlo algorithm to estimate the prevalence and proportion of undiagnosed CHC. Subsequently, we utilized a state-transition model to assess the budget impact of two strategies: (i) no screening; and (ii) screen-and-treat with direct-acting antiviral (DAA) for individuals born between 1945 and 1965 (“baby-boomer” birth cohort). Model data were gathered from published literature. Our analysis adopted a Canadian provincial payer perspective, employed a 10-year time horizon, and followed best-practice recommendations by not applying discounting. Results For individuals born between 1945 and 1965, the estimated prevalence of CHC was 1.74 percent (95% confidence interval [CI]: 1.52, 2.30) with an undiagnosed proportion of 15.72 percent (95% CI: 11.27, 18.54). The initial budget impact analysis indicated an additional cost of CAD61.5 million (USD45.0 million) over 10 years for screening related individuals for CHC in Ontario. With these updated prevalence and undiagnosed proportion estimates, our projection suggests a 29.6 percent reduction in the budget impact, now estimated at CAD43.3 million (USD31.7 million). Conclusions By comparing the budget impact of the CHC screening strategy with other recommended health services and technologies in Ontario, we have concluded that CHC screening may be considered affordable. To enhance the accuracy of budget impact analysis for population-level screening decision-making, it is crucial to develop precise methodologies for estimating the underlying prevalence and undiagnosed proportions.
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 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| 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 | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».