1. Analisi costi-efficacia dell’adozione dei pacemaker leadless rispetto ai pacemaker tradizionali
- Author
-
Raspolini, Gian Marco, Nurchis, Mario Cesare, Palmisano, Pietro, Errico, Pierangelo, Damiani, Gianfranco, Raspolini Gian Marco, Nurchis Mario Cesare (ORCID:0000-0002-9345-4292), Damiani Gianfranco (ORCID:0000-0003-3028-6188), Raspolini, Gian Marco, Nurchis, Mario Cesare, Palmisano, Pietro, Errico, Pierangelo, Damiani, Gianfranco, Raspolini Gian Marco, Nurchis Mario Cesare (ORCID:0000-0002-9345-4292), and Damiani Gianfranco (ORCID:0000-0003-3028-6188)
- Abstract
Obiettivi - Stimare la costo-efficacia dei pacemaker leadless (PL) rispetto ai pacemaker tradizionali (PT) nella popolazione eleggibile per l’impianto di PL e PT dalla prospettiva del Servizio Sanitario Nazionale (SSN). Metodologia - Un albero decisionale Bayesiano è stato calibrato per una coorte ipotetica di pazienti divisi equamente nel braccio PL e nel braccio PT, adottando la prospettiva del SSN. Dopo che il paziente è stato impiantato, può incorrere con probabilità prede- terminate in una complicanza. La popolazione target consisteva di pazienti eleggibili per l’impianto di PL e PT e ai quali viene impiantato uno dei due tipi di device. I parametri del modello sono stati ottenuti dalla letteratura scientifica. In particolare, i costi dei device, il costo medio delle complicanze ad essi associate e le probabilità di transizione sono stati derivati rispettivamente da un report statale statunitense [1], uno studio economico nazionale francese [2] e una revisione sistematica con meta-analisi [3]. I costi e i bene- fici sono stati scontati a un tasso annuo del 3%. Per orientare il processo decisionale su quale alternativa supportare è stato scelto il threshold dell’Eurozona, che varia da € 30.000 a € 50.000. L’impatto dell’incertezza sui parametri del modello è stato esplorato attraverso un’analisi di sensibilità probabilistica (PSA), calcolando la curva di accettabilità della costo-efficacia (CEAC) e la frontiera di accettabilità della costo-efficacia (CEAF), e un’analisi del valore dell’informazione (VOI), stimando invece il valore atteso dell’informa- zione perfetta (EVPI). L’inferenza Bayesiana è stata supportata da una serie di algoritmi noti come Markov Chain Monte Carlo (MCMC), tra cui il Gibbs sampler. È stata inoltre valutata la performance dell’algoritmo selezionato attraverso l’impiego di alcune tecni- che diagnostiche (i.e., traceplot, grafici di densità, diagnostica di Gelman-Rubin, funzioni di autocorrelazione della catena). I risultati d
- Published
- 2023