Forecasting Asparaginase Need and Cost for Childhood Cancer Using ACCESS FORxECAST
Notice bibliographique
Résumé
PURPOSE: Asparaginase (ASN) is a critical component of pediatric ALL protocols. Until recently, ASN was available in three formulations: native Escherichia coli, PEGylated E. coli (PEG), and Erwinase, with native E. coli typically more accessible in low- and middle-income countries (LMICs). Short shelf lives, intermittent availability, and concern for substandard formulations in LMICs have created a need for proactive ASN demand estimates. METHODS: We adapted FORxECAST, a pediatric cancer drug forecasting model, to focus on ASN for pediatric ALL. The model is adaptable to user data and defaults to best available public data where local data are unavailable. We forecast ASN quantity and cost in three case study countries for four scenarios using two regimens-base regimen (BR) and intensified regimen (IR)-outlining how quantity and costs vary on the basis of ASN formulation, dose, and second-line availability. RESULTS: Native E. coli is cheaper than PEG for first-line treatment across all scenarios. Regimen intensification from BR to IR requires a substantially higher cost when PEG is used relative to native E. coli. The cost of treating ASN hypersensitivity with Erwinase for BR in Burundi, Ghana, and Turkmenistan is $19,660 in US dollars (USD), $24,800 USD, and $15,246 USD, respectively. CONCLUSION: Treatment intensification requires a cost increase that should be accessible for most LMICs, but PEG utilization is substantially more costly, suggesting that prioritizing investment in intensifying treatment using native E. coli is the least costly approach to maximize treatment availability. Cost savings associated with native E. coli utilization may liberate funds for Erwinase procurement for patients with ASN hypersensitivity. Future analyses needed include an evaluation of costs associated with preventing abandonment due to compliance complexity with native E. coli given increased administration frequency compared with PEG.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,003 | 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 ».