The Potential Economic and Public Health Impact of MDMA‐Assisted Group Therapy for PTSD in Ukraine
Notice bibliographique
Résumé
ABSTRACT The war in Ukraine has led to widespread trauma, with 6.4 million people suffering from severe, chronic posttraumatic stress disorder (PTSD). This study evaluates the cost‐effectiveness and societal impact of implementing modified group MDMA‐assisted therapy (MAT), with supplemental individual therapy for PTSD treatment in Ukraine. Using a decision analysis model, we estimated clinical benefits, costs, and cost‐effectiveness of MAT for 1000 PTSD patients in Ukraine. The model incorporates PTSD severity, mortality rates, healthcare costs, productivity effects, and caregiver costs. We analyzed outcomes from healthcare payer and societal perspectives over 1‐, 3‐, and 5‐year horizons, projecting scaled‐up impacts for 25%, 50%, and 75% of eligible patients over 10 years. Assuming 3 years of MAT efficacy, treating 1000 patients would cost $1.1 million, avert 19.2 deaths and gain 717 quality‐adjusted life years (QALYs). From a healthcare payer's perspective, MAT is cost‐effective with an incremental cost‐effectiveness ratio of $1537 per QALY gained and a net monetary benefit of $2843. From a partial societal perspective, MAT generates net savings of $2.6 million. Scaled to 50% of eligible patients over 10 years, MAT could save 48,000 lives and gain 1.5 million QALYs, with net societal savings of $5.6 billion. Making MAT available for PTSD treatment in Ukraine is likely to be cost‐effective or cost‐saving, while substantially improving health outcomes. These findings support consideration of MAT as part of Ukraine's strategy to address widespread mental health needs.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».