MétaCan
Menu
← Retour à la cohorte
Enregistrement W4410513250 · doi:10.3899/jrheum.2025-0390.pv094

DEVELOPMENT OF A NOVEL FRAMEWORK TO INFORM COST-EFFECTIVENESS MODELS IN SYSTEMIC LUPUS ERYTHEMATOSUS

2025· article· en· W4410513250 sur OpenAlexvenueaboutno aff
Mark Pennington, Alec Miners, Nick Brighton, Ying Sun, Sanjeev Roy, S.T. Alexopoulos, Marie Callies De Salies, Xiaoxue Chen, Dalila Tremarias, Aldevina Sturiene, Edward M Vital, Maria Dall’Era, Laurent Arnaud, Andrew Walker, Stephen Palmer

Notice bibliographique

RevueThe Journal of Rheumatology · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueSystemic Lupus Erythematosus Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMedicineSystemic diseaseSystemic lupusIntensive care medicineLupus erythematosusConnective tissue diseaseImmunopathologyImmunologyAutoimmune diseaseInternal medicineDiseaseAntibody

Résumé

récupéré en direct d'OpenAlex

PV094 / #450 Poster Topic: AS11 - Epidemiology and Public Health Background/Purpose Cost-effectiveness models (CEMs) play a significant role in health technology assessments (HTAs). However, existing CEMs for systemic lupus erythematosus (SLE) are often complex and have limited face validity. Evolving clinical practices and new therapeutic regimens with different modes of action necessitate profound changes to prior publicly available models in SLE and the development of a new conceptual modeling framework.[1-5] Methods A targeted literature review was conducted to identify treatment guidelines, standard of care, disease progression, outcome measures, drivers of health-related quality of life (HRQoL), costs, and existing CEMs in SLE. Following this, 1-on-1 virtual interviews were conducted with 3 international expert rheumatologists specializing in treating patients with SLE, to validate critical clinical components and their relationships identified in the literature review for use in the CEM. Additionally, 2 rounds of virtual advisory board meetings were convened with the same rheumatologists, 2 HTA experts, and 2 SLE patients to reach consensus on key assumptions and the conceptual model structure. Results Seven key components were identified as important for developing a CEM for SLE: disease activity, organ damage, flares and remission, oral glucocorticoid (GC) use, mortality, HRQoL, and healthcare resource use. An individual patient simulation approach was deemed necessary to reflect disease heterogeneity in patient disease trajectories and to facilitate interactions between different components of the disease process, such as disease activity, oral GC dosage and organ damage. Existing individual simulation models have used a regression equation to reflect disease activity over time that poorly captures patient heterogeneity. This new model structure categorizes disease activity into discrete levels (3-5 levels, including remission and low disease activity state). Existing models simulated organ damage by organ class, which adds complexity but poorly captures treatment benefits in slowing organ damage. The new model structure simplifies organ damage progression into 6 levels. Furthermore, severe flares are captured in this model, simulated as a function of disease activity, and influence the risk of organ damage (Figure 1). The face validity was confirmed by clinical, HTA and patient experts. The inclusion of distinct clinical states such as remission, low disease activity and severe flare are an important improvement of this new model framework as they are considered relevant to clinical practice and HTA decision making. Figure 1: Proposed SLE cost-effectiveness model structure GC, glucocorticoid; SDI, Systemic Lupus International Collaborating Clinics/American College of Rheumatology Damage Index; SLE, systemic lupus erythematosus. Conclusions The new SLE CEM framework better reflects the impact of treatment on patient disease trajectories to facilitate improved technology assessment. This CEM concept can be utilized to assess the value of investigational treatments for SLE in the future, ensuring that they adequately address key unmet needs in SLE. References: [1.] Pierotti F. PLoS ONE 2015;10(10):e0140843. [2.] Ottawa ON. Canadian Agency for Drugs and Technologies in Health 2020. Pharmacoeconomic Review. [3.] Ottawa ON. Canadian Agency for Drugs and Technologies in Health 2023. Pharmacoeconomic Review. [4.] National Institute for Health and Care Excellence. TA397; 2016 Jun. [5.] van Oostrum I. Value in Health 2016;19(7):A374. Funding: The healthcare business of Merck KGaA, Darmstadt, Germany (CrossRef Funder ID: 10.13039/100009945) funded the study, which was conducted by Source Health Economics, and editorial support by Bioscript Group.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,017
score de la tête « metaresearch » (Gemma)0,045
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,089

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0170,045
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,003
Bibliométrie0,0040,003
Études des sciences et des technologies0,0010,002
Communication savante0,0050,005
Science ouverte0,0030,004
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0090,001

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.

Tête enseignante Opus0,048
Tête enseignante GPT0,348
Écart entre enseignants0,300 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

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

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

En bref

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe Journal of Rheumatology→Même sujetSystemic Lupus Erythematosus Research→Travaux en français237 207→