MétaCan
Menu
Retour à la cohorte
Enregistrement W1559802115 · doi:10.3386/w17226

Cross-National Evidence on Generic Pharmaceuticals: Pharmacy vs. Physician-Driven Markets

2011· report· en· W1559802115 sur OpenAlexaboutno aff
Patricia M. Danzon, Michael F. Furukawa

Notice bibliographique

RevueNational Bureau of Economic Research · 2011
Typereport
Langueen
DomaineEconomics, Econometrics and Finance
ThématiquePharmaceutical Economics and Policy
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPharmacyReal world evidenceBusinessFamily medicineMedicineActuarial scienceInternal medicine

Résumé

récupéré en direct d'OpenAlex

This paper examines the role of regulation and competition in generic markets.Generics offer large potential savings to payers and consumers of pharmaceuticals.Whether the potential savings are realized depends on the extent of generic entry and uptake and the level of generic prices.In the U.S., the regulatory, legal and incentive structures encourage prompt entry, aggressive price competition and patient switching to generics.Key features are that pharmacists are authorized and incentivized to switch patients to cheap generics.By contrast, in many other high and middle income countries, generics traditionally competed on brand rather than price because physicians rather than pharmacies are the decision-makers.Physician-driven generic markets tend to have higher generic prices and may have lower generic uptake, depending on regulations and incentives.Using IMS data to analyze generic markets in the U.S., Canada, France, Germany, U.K., Italy, Spain, Japan, Australia, Mexico, Chile, Brazil over the period 1998-2009, we estimate a three-equation model for number of generic entrants, generic prices and generic volume shares.We find little effect of originator defense strategies, significant differences between unbranded and unbranded generics, variation across countries in volume response to prices.Policy changes adopted to stimulate generic uptake and reduce generic prices have been successful in some E.U. countries.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,038
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,027
Score d'incertitude au seuil0,090

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,038
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0030,004
Études des sciences et des technologies0,0010,002
Communication savante0,0040,003
Science ouverte0,0010,003
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0270,002

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,753
Tête enseignante GPT0,597
Écart entre enseignants0,156 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations47
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNational Bureau of Economic ResearchMême sujetPharmaceutical Economics and PolicyTravaux en français237 207