Economic evaluation of a new genetic risk score to prevent nephropathies in type-2 diabetic patients
Bibliographic record
Abstract
Un score de risque polygénique (SRP) a été mis au point pour permettre une prédiction précoce du risque de néphropathie chez les patients atteints de diabète de type-2 (DT2). Le but de cette étude était d’évaluer l’impact économique de l’implantation du SRP pour la prévention de la néphropathie chez les patients atteints du DT2, par rapport aux méthodes de dépistage habituelles au Canada. Tout d’abord, une revue systématique de la littérature a été effectuée pour examiner les évaluations économiques publiées sur le DT2 et la néphropathie. Les principales techniques de modélisation observées dans cette revue ont été utilisées pour réaliser une analyse coût-utilité à l’aide d’un modèle de Markov. Les états de santé du modèle étaient la pré-insuffisance rénale (pré-IR), l’IR et le décès. Les paramètres d’efficacité du modèle ont été basés sur les résultats de l’étude ADVANCE. Les analyses ont été menées selon une perspective du système de soins et une perspective sociétale. Sur un horizon temporel de la vie entière du patient, le SRP était une stratégie dominante par rapport aux méthodes de dépistage habituelles, selon les deux perspectives choisies. En effet, le SRP était moins coûteux et plus efficace en termes d’années de vie ajustée en fonction de la qualité, par rapport aux techniques de dépistage usuelles. Les analyses de sensibilité déterministe et probabiliste ont démontré que les résultats demeurent dominants dans la majorité des simulations. Cette évaluation économique démontre que l’adoption du SRP permettrait de réduire les coûts et d’améliorer la qualité de vie des patients.
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 imitationNot 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.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.015 | 0.048 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
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".