Economic evaluation of diabetes prevention interventions in Bangladesh: A modelling study
Notice bibliographique
Résumé
AIM: To model the long-term cost-effectiveness of scaling up two prevention interventions against type 2 diabetes mellitus (T2DM), i.e. community mobilisation through participatory learning and action (PLA) and mHealth mobile phone messaging, implemented in rural Bangladesh as part of the "DMagic" trial. METHODS: A health-economic Markov model of the three-arm, cluster-randomised controlled DMagic trial was developed. A cohort of individuals aged 50 years entered the model with impaired glucose tolerance (IGT). Outcomes included the costs (provider perspective), quality-adjusted life-years gained (QALY), incremental cost-effectiveness ratios (ICERs) and incidence of T2DM in a lifetime period. Deterministic and probabilistic sensitivity analyses were performed to reflect uncertainty. RESULTS: PLA yielded substantial reductions in diabetes incidence with only 25 % of the IGT population developing T2DM (versus 46 % in the control arm). The intervention was cost-effective against control with an ICER of 167 INT$ per QALY gained. The mHealth intervention revealed limited effectiveness at low cost, leading to an ICER of 189 INT$ per QALY gained. At willingness-to-pay ranges between 3 % and 45 % of Bangladesh GDP per capita, PLA demonstrated up to 90 % probability of being cost-effective. CONCLUSIONS: PLA is a low-cost, effective strategy to reduce the burden of T2DM, offering good value for money. TRIAL REGISTRATION: The DMagic trial was registered with the ISRCTN registry, number ISRCTN41083256.
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 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».