Economic evaluations of scaling up strategies of evidence-based health interventions: a systematic review
Notice bibliographique
Résumé
BACKGROUND: Scaling seeks to extend the benefits of evidence-based interventions (EBIs) to larger populations, and often with the hope of achieving economies of scale. However, little is known about scaling costs. Our goal was to find scaling studies that focused on economic evaluations of scaling, their characteristics and the methods they applied. METHODS: We performed a systematic review informed by the Joanna Briggs Institute and PRISMA reporting guidelines. We included all studies that conducted a full or partial economic evaluation of scaling an EBI in healthcare, applicable to any individual or organization in any country and setting. We included all study designs and imposed no restrictions on language. We conducted searches in Medline, Web of Science, Embase, Cochrane Library Database, PEDE, EconLIT, INHATA from their inception until November 12, 2024, including grey literature. Pairs of independent reviewers identified eligible studies and extracted data on study characteristics, scaling strategies, characteristics of economic evaluations and methods used. The methodological quality of included studies was evaluated using the British Medical Journal Checklist. Results were summarized using narrative synthesis. RESULTS: Of 8,936 unique citations, thirteen studies meet our inclusion criteria: ten cost-effectiveness and three cost-analysis studies. Studies were performed in lower- or middle-income countries (LMIC) as well as in high-income countries and covered EBIs for infectious diseases, mental health, and colorectal cancer. All reported direct costs (e.g., health professional training costs) and indirect costs (e.g., capital costs) associated with scaling strategies. Four studies were of high quality, eight of moderate quality and one of poor quality. CONCLUSION: With the increased interest in scaling EBIs in health, there is an urgent need for more evaluations of costs associated with scaling, both in LMIC and in high-income countries, and a need for rigour in how these evaluations are performed.
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 | 0,097 | 0,322 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,003 |
| Méta-épidémiologie (sens large) | 0,018 | 0,023 |
| Bibliométrie | 0,021 | 0,016 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,008 | 0,007 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».