Cost-effectiveness analysis of deep brain stimulation for the treatment of alcohol use disorder and alcoholic liver disease
Notice bibliographique
Résumé
BACKGROUND: Alcohol use disorder (AUD) is a major public health concern and cause of mortality and morbidity. Alcohol-associated liver disease (ALD) is a debilitating complication of AUD, mitigated by abstinence from alcohol use. Deep brain stimulation (DBS) is emerging as a potential treatment for AUD. However, its cost-effectiveness compared to the standard medical treatment is unclear. OBJECTIVE: To estimate the cost-effectiveness of DBS compared to medical management for patients with AUD and ALD. METHODS: We utilized a decision analytic model based on published literature to conduct a cost-effectiveness analysis of costs and health outcomes for DBS and medical management in patients with AUD and ALD. We also carried out a threshold analysis to determine the probability of success necessary for DBS to be cost-effective. Costs were measured in 2024 US dollars and effectiveness in quality-adjusted life years (QALYs). We used a time horizon of 1-2 years and adopted a societal perspective. RESULTS: Our results show that for AUD patients in general, DBS is not cost-effective at any DBS success rate. However, for advanced ALD patients, defined as fibrosis stage 3 or beyond DBS becomes cost-effective. For these patients, DBS is cost-effective over a two-year period at a $100,000 willingness-to-pay threshold at DBS success rates greater than 53 %. For advanced decompensated ALD patients, DBS is cost-effective over a one-year period at DBS success rate greater than 35 %. CONCLUSION: Should it prove efficacious, DBS may be cost-effective for patients with AUD and ALD. Thus, future randomized controlled trials to evaluate its efficacy are warranted.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 ».