Cost-effectiveness of ranibizumab in the treatment of visual impairment due to diabetic macular edema
Notice bibliographique
Résumé
Objective Ranibizumab, an anti-vascular endothelial growth factor designed for ocular use, has been deemed cost-effective in multiple indications by several Health Technology Assessment bodies. This study assessed the cost-effectiveness of ranibizumab monotherapy or combination therapy (ranibizumab plus laser photocoagulation) compared with laser monotherapy for the treatment of visual impairment due to diabetic macular edema (DME). Methods A Markov model was developed in which patients moved between health states defined by best-corrected visual acuity (BCVA) intervals and an absorbing ‘death’ state. The population of interest was patients with DME due to type 1 or type 2 diabetes mellitus. Baseline characteristics were based on those of participants in the RESTORE study. Main outputs were costs (in 2013 CA$) and health outcomes (in quality-adjusted life-years [QALYs]) and the incremental cost-effectiveness ratio (ICER) was calculated. This cost-utility analysis was conducted from healthcare system and societal perspectives in Quebec. Results From a healthcare system perspective, the ICERs for ranibizumab monotherapy and combination therapy vs laser monotherapy were CA$24 494 and CA$36 414 per QALY gained, respectively. The incremental costs per year without legal blindness for ranibizumab monotherapy and combination therapy vs laser monotherapy were CA$15 822 and CA$20 616, respectively. Based on the generally accepted Canadian ICER threshold of CA$50 000 per QALY gained, ranibizumab monotherapy and combination therapy were found to be cost-effective compared with laser monotherapy. From a societal perspective, ranibizumab monotherapy and combination therapy provided greater benefits at lower costs than laser monotherapy (ranibizumab therapy dominated laser therapy). Conclusions Ranibizumab monotherapy and combination therapy resulted in increased quality-adjusted survival and time without legal blindness and lower costs from a societal perspective compared with laser monotherapy.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».