Using Effectiveness and Cost-effectiveness to Make Drug Coverage Decisions
Notice bibliographique
Résumé
CONTEXT: National public insurance for drugs is often based on evidence of comparative effectiveness and cost-effectiveness. This study describes how that evidence has been used across 3 jurisdictions (Australia, Canada, and Britain) that have been at the forefront of evidence-based coverage internationally. OBJECTIVES: To describe how clinical and cost-effectiveness evidence is used in coverage decisions both within and across jurisdictions and to identify common issues in the process of evidence-based coverage. DESIGN, SETTING, AND PARTICIPANTS: Descriptive analysis of retrospective data from the Common Drug Review (CDR) of Canada, National Institute for Health and Clinical Excellence (NICE) in Britain, and Pharmaceutical Benefits Advisory Committee (PBAC) of Australia. All publicly available information as of December 31, 2008, was gathered from each committee's Web site (data set begins in January 2004 [CDR], February 2001 [NICE], and July 2005 [PBAC]). MAIN OUTCOME MEASURE: Listing recommendations for each drug by disease indication. RESULTS: NICE recommended 87.4% (174/199) of submissions for listing compared with a listing rate of 49.6% (60/121) and 54.3% (153/282) for the CDR and PBAC, respectively. Significant uncertainty around clinical effectiveness, typically resulting from inadequate study design or the use of inappropriate comparators and unvalidated surrogate end points, was identified as a key issue in coverage decisions. Recommendations varied considerably across countries, possibly because of differences in the medications reviewed; different agency processes, including the willingness to negotiate on price; and the approach to "me too" drugs. The data suggest that the 3 agencies make recommendations that are consistent with evidence on effectiveness and cost-effectiveness but that other factors are often important. CONCLUSIONS: NICE, PBAC, and CDR face common issues with respect to the quality and strength of the experimental evidence in support of a clinically meaningful effect. However, comparative effectiveness and cost-effectiveness, along with other relevant factors, can be used by national agencies to support drug decision making. The results of the evaluation process in different countries are influenced by the context, agency processes, ability to engage in price negotiation, and perhaps differences in social values.
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 | 0,014 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».