Opportunity Cost of Funding Drugs for Rare Diseases
Notice bibliographique
Résumé
BACKGROUND: Both ethical and economics concerns have been raised with respect to the funding of drugs for rare diseases. This article reports both the cost-effectiveness of eculizumab for the treatment of paroxysmal nocturnal hemoglobinuria (PNH) and its associated opportunity costs. METHODS: Analysis compared eculizumab plus current standard of care v. current standard of care from a publicly funded health care system perspective. A Markov model covered the major consequences of PNH and treatment. Cost-effectiveness was assessed in terms of the incremental cost per life year and per quality-adjusted life year (QALY) gained. Opportunity costs were assessed by the health gains foregone and the alternative uses for the additional resources. RESULTS: Eculizumab is associated with greater life years (1.13), QALYs (2.45), and costs (CAN$5.24 million). The incremental cost per life year and per QALY gained is CAN$4.62 million and CAN$2.13 million, respectively. Based on established thresholds, the opportunity cost of funding eculizumab is 102.3 discounted QALYs per patient funded. Sensitivity and subgroup analysis confirmed the robustness of the results. If the acquisition cost of eculizumab was reduced by 98.5%, it could be considered cost-effective. LIMITATIONS: The nature of rare diseases means that data are often sparse for the conduct of economic evaluations. When data were limited, assumptions were made that biased results in favor of eculizumab. CONCLUSIONS: This study demonstrates the feasibility of conducting economic evaluations in the context of rare diseases. Eculizumab may provide substantive benefits to patients with PNH in terms of life expectancy and quality of life but at a high incremental cost and a substantial opportunity cost. Decision makers should fully consider the opportunity costs before making positive reimbursement decisions.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,014 | 0,053 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».