MétaCan
Menu
← Back to cohort
Record W2957357699 · doi:10.71781/29862

Economic evaluations of a pharmacogenomics test for Statin-induced myopathy in secondary cardiovascular prevention

2018· dissertation· en· W2957357699 on OpenAlexfundaboutno aff
Dominic Mitchell

Bibliographic record

VenueOpen MIND · 2018
Typedissertation
Languageen
FieldMedicine
TopicLipoproteins and Cardiovascular Health
Canadian institutionsnot available
FundersGénome QuébecGenome CanadaUniversité Laval
KeywordsPharmacogenomicsMyopathyStatinMedicineTest (biology)Internal medicinePharmacologyBiology

Abstract

fetched live from OpenAlex

Les statines constituent la pierre angulaire du traitement des dyslipidémies. Les myopathies secondaires aux statines seraient l’une des principales causes d’abandon. Le diagnostic de myopathie repose sur la comparaison du taux de créatine kinase (CK) avec des valeurs de référence normales. Or, des études ont révélé que ces valeurs ne sont pas représentatives de l’ensemble de la population. Le test du taux de CK n’a donc qu’une utilité diagnostique restreinte. Un test pharmacogénomique (PGx) pour le diagnostic des myopathies chez les patients qui affichent une hausse légère ou modérée du taux de CK après l’amorce d’un traitement par une statine est en développement. Nous avons évalué l’impact économique de ce test PGx hypothétique grâce à deux techniques de modélisation : un modèle de Markov et un modèle de simulation par événement discret (SED). Nous avons examiné les modèles avec la perspective d’un payeur canadien, avec un horizon temporel de la vie entière, pour les patients à risque cardiovasculaire (CV) élevé initiant une statine en prévention secondaire. La détermination des taux de faux positifs (TFP) et de faux négatifs (TFN) du test revêt encore plus d’importance que le choix de la technique de modélisation. Dans cette thèse, nous avons opté pour une interprétation globale des résultats des tests, afin que les décisions des médecins et des patients s’apparentent à des erreurs de test. Cette définition permet de mesurer l’utilité clinique du test à influencer les décisions de prescription des médecins et, surtout, la volonté des patients de poursuivre le traitement. Ce dernier aspect s’applique particulièrement aux médicaments prescrits à titre préventif dont les bienfaits à long terme dépendent de l’adhésion du patient au traitement. Les articles I et II présentent les résultats des modèles de Markov et SED. Les résultats concordent sur le plan qualitatif. Au Canada, un test PGx pour le dépistage des myopathies secondaires aux statines serait rentable avec une faible disposition à payer. Selon les analyses de sensibilité probabilistes, les modèles de Markov et SED donnaient des résultats favorables dans au moins 90 % des simulations assorties d’une disposition à payer de seulement 6150 $ et 12000 $ par année de vie pondérée par la qualité. L’article III poursuit la réflexion des modèles présentés dans les articles I et II. Ceux-ci ont permis de constater qu’un test PGx complètement erroné (TFP = TFN = 100 %) se traduirait par un avantage différentiel monétaire net positif pour les payeurs. Ce résultat s’explique par le déséquilibre du risque entre les bienfaits d’une réduction des manifestations CV chez les patients atteints d’une myopathie légère ou modérée et le risque extrêmement faible de rhabdomyolyse. Cependant, ce résultat n’est pas plausible lorsque qu’on prend en considération les décisions à long terme des médecins et des patients, notamment le haut niveau de non-adhésion aux statines. Dans l’ensemble, cette thèse souligne l’importance d’évaluer l’impact économique des erreurs de test. Cette démarche ne doit pas se limiter à une supposition a priori des paramètres de rendement du test. Il convient d’examiner la fourchette complète des TFP et des TFN pour bien cerner l’incidence économique des tests diagnostiques, surtout lorsque le résultat du test influence la prescription d’un médicament préventif administré à long terme.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.

How this classification was reachedexpand

Full frame machine prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.

metaresearch head score (Codex)0.029
metaresearch head score (Gemma)0.086
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Simulation or modeling · Consensus signal: Simulation or modeling
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.029
Threshold uncertainty score0.152

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0290.086
Meta-epidemiology (narrow)0.0010.001
Meta-epidemiology (broad)0.0020.003
Bibliometrics0.0010.001
Science and technology studies0.0000.001
Scholarly communication0.0020.001
Open science0.0010.001
Research integrity0.0020.002
Insufficient payload (model declined to judge)0.0070.000

Machine scores (provisional)

The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.

Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.

Opus teacher head0.049
GPT teacher head0.384
Teacher spread0.335 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designSimulation or modeling
Domainnot available
GenreEmpirical

How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".

Quick stats

Citations0
Published2018
Admission routes2
Has abstractyes

Explore more

Same venueOpen MIND→Same topicLipoproteins and Cardiovascular Health→French-language works237,207→