Lunglife Ai, Inc. annuncia i dati sul rapporto costo-efficacia di Lunglb®.
27 febbraio 2023 alle 08:00
Condividi
LungLife AI, Inc. annuncia una bozza di pubblicazione di un modello di analisi costo-efficacia ("CEA") su LungLB®, che fornisce la prova che il test può essere utilizzato come alternativa economicamente vantaggiosa rispetto all'attuale percorso diagnostico. Una volta che la pubblicazione finale come Versione di Record sarà rilasciata, verrà fatto un ulteriore annuncio. L'obiettivo principale della ricerca era quello di esplorare il rapporto costo-efficacia incrementale di LungLB® quando viene aggiunto all'attuale percorso diagnostico clinico per i pazienti con noduli polmonari, come descritto nelle linee guida.
I maggiori risparmi sui costi nel modello sono stati dimostrati da una riduzione delle procedure non necessarie e da migliori risultati per i pazienti, grazie alla riduzione dei ritardi nel trattamento. Il rapporto costo-efficacia incrementale (ICER) è una metrica chiave utilizzata nella pubblicazione per dimostrare l'efficacia dei costi. L'integrazione di LungLB® porta a un miglioramento degli esiti e risulta in un ICER del 25% inferiore alla soglia di disponibilità a pagare (WTP) comunemente considerata dai pagatori commerciali statunitensi, suggerendo un risparmio complessivo quando LungLB® ha un prezzo di 2.300 dollari per test. Gli ICER rimangono al di sotto della soglia WTP a prezzi fino a 3.647 dollari per test.
LungLife AI, Inc. è uno sviluppatore di soluzioni diagnostiche cliniche per il cancro al polmone. La Società è impegnata nello sviluppo e nella commercializzazione del suo test di diagnosi precoce del cancro al polmone. Utilizzando un prelievo di sangue minimamente invasivo, il suo test LungLB è progettato per fornire informazioni aggiuntive ai medici che valutano i noduli polmonari indeterminati. LungLB è un test di biopsia liquida basato sul sangue che utilizza l'ibridazione in situ a fluorescenza (FISH) e l'analisi delle immagini per identificare le cellule geneticamente anomale circolanti (CGAC), che includono le cellule tumorali circolanti (CTC). La tecnica incorpora una strategia di analisi delle immagini derivata dall'intelligenza artificiale (AI) per identificare popolazioni cellulari uniche che riflettono lo stato di malattia in esame.