Evaluating the Potential Clinical and Economic Impact of Clesrovimab for Infants in England and Wales
Notice bibliographique
Résumé
Abstract Background Respiratory syncytial virus (RSV) infects nearly all children under two years, causing mild lower respiratory tract infections (LRTIs) although serious disease, mortality and long-term recurrent wheezing can also occur. This study evaluates the health and economic impact of various RSV prevention strategies (monoclonal antibodies [mAb] such as clesrovimab, nirsevimab, palivizumab [high risk infants only] or maternal vaccination) in infants in England and Wales. Methods A previously published decision tree model was adapted to estimate RSV LRTIs and associated costs over one year among a cohort of infants entering their first RSV season in England and Wales. Clinical trial data were used for efficacy inputs alongside country-specific epidemiology and costs to assess the impact of year-round and seasonal mAb programs (without and with catch-up [for infants born out of season]) alongside maternal vaccination. Deterministic sensitivity analyses of incremental treatment costs and QALYs were performed. Results Seasonal administration of clesrovimab with and without catch-up led to fewer RSV-associated LRTI cases and lower treatment costs compared to other RSV intervention strategies. Without catch-up, clesrovimab reduced RSV-LRTI cases by 18%-27% versus palivizumab, 3%-4% versus nirsevimab and 2%-13% versus maternal vaccine. With catch-up, RSV-LRTI outcomes reductions by clesrovimab were greater: 60%-70% versus palivizumab, 14%-20% versus nirsevimab, and 43%-54% versus maternal vaccination. It also reduced treatment costs by £37.0 million compared to palivizumab, £4.0 million compared to nirsevimab, and £26.0 million compared to maternal vaccination. Coverage and efficacies were the most influential parameters. Conclusions Clesrovimab is projected to substantially reduce RSV-associated clinical outcomes and costs compared to both standard of care and potential new RSV prevention measures in England and Wales.
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 | 0,007 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| 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 | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».