Optimisation des dépenses de santé pour la prise de décision : une approche par le QALY
Bibliographic record
Abstract
Cette thèse s’intéresse à l’évaluation économique des interventions en santé et à \nla valorisation monétaire d’une année de vie ajustée par la qualité (QALY). \n \nDans le premier chapitre nous avons effectué une revue de la litérature avec \nméta-analyse sur la valorisation monétaire d’un QALY. \nL’utilisation d’un seuil pour les études coût-utilité est d’une importance majeure pour les \nautorités sanitaires afin de prendre les meilleures décisions d’allocation dans un contexte \nde ressources limitées. Compte tenu du nombre croissant d’études dans le monde qui \ncherchent à établir la valeur d’une année de vie ajustée par la qualité (QALY), il est né- \ncessaire de passer en revue ces études pour donner un aperçu global de la littérature. Une \nrevue systématique des études sur la volonté à payer (VAP) pour un QALY a été réalisée \ndans 8 bases de données. Trente-neuf études ont été sélectionnées et 511 observations ont \nété extraites pour la méta-analyse en utilisant la méthode des moindres carrés ordinaires. \nLes résultats ont montré que la valeur empirique moyenne prédite de la volonté à payer \nétait de 52 619,39 $US (avec un IC : 49 952,59; 55 286,19) par QALY. Une augmentation \nde 1 % du revenu entrainait une augmentation de 0,6 % de la volonté à payer (VAP), \ntandis qu’une augmentation d’une année de l’âge du répondant entrainait une diminution \nde 3,3 % de la VAP. Le sexe, le niveau d’éducation et la situation professionnelle ont eu \ndes effets significatifs sur la VAP. Par rapport aux entretiens en face à face, les enquêtes \nréalisées par internet ou par téléphone étaient susceptibles d’avoir un impact plus élevée \nsur la VAP par QALY, tandis que le paiement direct avait tendance à diminuer la valeur. \nLa prédiction de valeur faite pour la province du Québec (Canada) a fourni une valeur de \nQALY d’environ 98 450 $US (127 985 $CA), soit environ 2,3 fois son produit intérieur \nbrut (PIB) par habitant en 2018. Cette étude est cohérente avec la littérature existante et \nest utile pour les pays qui ne disposent pas encore d’une enquête basée sur les préférences \npour la valeur d’un QALY. \n \nDans le deuxième chapitre, nous avons effectué une enquête auprès de la population québécoise afin de déterminer sa volonté à payer pour un QALY. \nLa prise de décisions sur le financement de nouveaux médicaments, d’interventions ou de \ntechnologies en santé requiert de répondre à la question centrale de la valeur monétaire \nque la population accorde au gain en santé, en particulier au QALY. Actuellement, il \nn’existe aucune valeur de volonté à payer par QALY pour la province du Québec au \nCanada. Dans cet article, nous avons empiriquement estimé la valeur monétaire d’un \nQALY pour la population du Québec. À l’aide du questionnaire Short-Form 6-Dimension \nversion 2 (SF-6Dv2), nous avons mené une enquête en ligne auprès d’un échantillon \nreprésentatif d’adultes vivant au Québec. Nous avons utilisé l’arbitrage temporel (TTO) \ncombiné à l’évaluation contingente (CV) et le choix expérimental discret (DCE) pour \névaluer à la fois la volonté à payer (VAP) de la population pour un QALY et la VAP marginale pour les attributs de santé. Des valeurs d’utilité basées sur les préférences \npour les états de santé ont été élicitées à l’aide d’une régression hybride. L’analyse \nprincipale a été menée sur une population adulte de 993 personnes pour le CV et de 2 \n143 personnes pour le DCE. La volonté à payer pour un QALY variait de 47 048,84 \n$CA (IC : 21 554,38; 72 543,30) pour le CV à 73 936,87 $CA (IC : 63 105,40; 84 \n768,35) pour le DCE. Parmi les 6 dimensions du SF-6Dv2, la VAP marginale variait de 4 \n499,15 $CA (IC : 2 975,06; 6 023,25) pour un meilleur accomplissement des tâches dans \nles activités quotidiennes à 15 867,12 $CA (IC : 13 825,75; 17 908,49) pour moins de \ndouleur. Les analyses de sensibilité faites avec de multiples échantillons alternatifs ainsi \nque d’autres algorithmes d’utilités ont montré que les résultats étaient robustes et que les \ndeux méthodes (CV et DCE) fournissaient des résultats comparables. Cette étude fournit \ndes informations utiles aux décideurs pour l’évaluation monétaire d’un QALY au Québec. \n \nEnfin dans le troisième chapitre, nous avons effectué une analyse du coût-efficacité \net du coût-utilité d’un programme de gestion de l’obésité. \nL’obésité est devenue au fil des années un problème majeur de santé publique affectant \ndes millions de personnes partout dans le monde. Au Canada, la proportion de personnes \navec surpoids ou obésité a considérablement augmenté au cours des dernières décennies. \nPour contrer ce problème, la clinique d’obésité du CHUS a développé un programme \nde préceptorat et d’apprentissage communautaire en ligne au profit des médecins de famille et des infirmiers. Un total de 346 patients ont été enrôlés dans 10 groupes de mé- \ndecine familiale (GMF) après application des critères d’exclusion. Les données de coûts \net de résultats ont été collectées pendant une période de suivi de 18 mois. L’analyse a été \nfaite selon les perspectives des patients et du système de santé public. Les ratios de coûtefficacité incrémental (RCEI) ont été calculés à partir de régressions SUR (seemingly \nunrelated regression) avec un ré-échantillonnage bootstrap de 5 000 réplications. La principale variable de résultat était le changement dans l’Indice de Masse Corporelle (IMC). \nLes résultats indiquent une amélioration dans le groupe de traitement, en particulier pour \nle poids, le tour de taille et l’IMC. Le RCEI calculé était de 2 269,43 $CA (IC : 621,70; 3 \n917,15) par point d’IMC perdu. Pour le tour de taille, le RCEI était de 366,55 $CA (IC : \n247,17; 485,92) par centimètre perdu. Pour ce qui est du poids, ce ratio est de 1 257,09 \n$CA (IC : -663,41; 3 177,59) par kilogramme perdu. Les ratios coût-utilité pour le QALY \nne sont pas concluants compte tenu de résultats divergents pour les deux mesures d’instrument utilisées (c’est-à-dire (c.-à-d. ) SF-6D et TTO). Les ratios calculés selon différentes \nperspectives semblent confirmer que le programme a été efficace dans son objectif de \nlutte contre l’obésité. Le calcul des bénéfices monétaires a montré que globalement ils \nn’étaient pas statistiquement significatifs pour le QALY. Cependant, en l’absence d’une \nvaleur de volonté à payer socialement acceptée pour les différents indicateurs cliniques \nutilisés, ces résultats restent sujet à discussion.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 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 teacher head, 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".