Available Tools to Facilitate Early Patient Access to Medicines in the EU and the USA: Analysis of Conditional Approvals and the Implications for Personalized Medicine
Notice bibliographique
Résumé
Scientific knowledge and our understanding of the human body and diseases have limited any possible treatment tailoring to each patient. The technological advances enabling the integration of various data sets (e.g. '-omics', microbiome, epigenetics and environmental exposure) have facilitated a greater understanding of the human body, the molecular basis of disease and all the factors influencing disease onset, progression and response to treatment, thereby ushering in the era of personalized medicine. We evaluate the regulatory approaches available to facilitate early patient access to efficacious and safe compounds in the EU and the USA in order to make more informed recommendations in the future as to the gaps in regulations for early patient access. An in-depth analysis of conditional approvals (EU) and accelerated approvals (USA) is performed based on the publicly available information (European public assessment reports and a summary review of products approved under both programmes). The types of product, indications, time to approval and type of evidence submitted were analysed. Between 2007 and early 2015, 17 products were conditionally approved in the EU and 25 in the USA, most of them in the area of oncology and based on evidence from phase II clinical trial data. Early approval of promising products based on data from early phases of development is already possible in the EU and the USA. Some of the improvements could entail implementing a rolling assessment of evidence in Europe and extending the scope of early dialogues.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,048 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».