P90. Cost-Effective Care for Massive Burns
Notice bibliographique
Résumé
PURPOSE: Massive burns are challenging to treat surgically due to limited donor skin. Autologous epidermal grafts such as cultured epidermal autografts (CEAs) and spray keratinocyte suspensions are successful strategies for wound closure when donor sites are limited. There are no investigations to date that describe the differential outcomes or costs between these competing strategies. Cost-effectiveness analysis is required to guide payers, hospitals, and policy makers in determinations of care. METHODS: A cost-utility analysis compared CEAs with spray keratinocytes in adult burn patients with ≥50% total body surface area deep partial thickness burns. Hybrid Monte Carlo simulation and Markov modeling studied cost-utility from the payer perspective. Model utilities were derived from the Vancouver Scar Scale (VSS) with 1 as the best outcome and 0 as the worst outcome. Deterministic and probabilistic sensitivity analyses were performed varying all model parameters. RESULTS: CEAs achieved successful wound closure in 73% of simulations compared to 88% for spray keratinocytes. Compared to treatment with CEAs, treatment with spray keratinocytes resulted in cost savings of $254,743, with no compromise in overall utility of treatment based on VSS. As such, spray keratinocyte treatment was the dominant strategy. This finding was robust upon sensitivity analyses. CONCLUSION: Spray keratinocyte suspensions were a dominant strategy to CEAs (i.e. cost saving without compromising utility). Payers and providers should consider the cost utility of spray keratinocytes as the dominant treatment strategy for massive burn epidermal grafting. CEA manufactures may want to consider cost reductions to be more economically competitive with alternative strategies.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».