MétaCan
Menu
Retour à la cohorte
Enregistrement W1987162206 · doi:10.1002/j.2055-2335.2010.tb00519.x

Evaluating New Medicines for Use in Australian Hospitals: Lessons from North America

2010· article· en· W1987162206 sur OpenAlexaboutno aff
Margaret Duguid

Notice bibliographique

RevueJournal of Pharmacy Practice and Research · 2010
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealth Systems, Economic Evaluations, Quality of Life
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of Illinois at Urbana-Champaign
Mots-clésFormularyMedicineChecklistListing (finance)PharmacyAgency (philosophy)PharmacoeconomicsHealth careProject commissioningFamily medicineAlternative medicinePublishingIntensive care medicineBusinessFinance

Résumé

récupéré en direct d'OpenAlex

ABSTRACT Several centres were visited in North America to identify strategies that could improve the processes used by Australian hospitals when evaluating new medicines for clinical and economic benefits. The centres visited included hospitals, a managed care organisation and the Canadian Agency for Drugs and Technologies in Health. All of the hospitals visited used a formulary to manage medicines and took a similar approach to evaluating new medicines for formulary listing and monitoring decisions. The institutional pharmacy and therapeutics committees were responsible for decision‐making and were guided by detailed drug monographs prepared by pharmacy staff. There was limited use of pharmacoeconomic data in decision‐making. Resources used to guide decision‐making included standard guidelines for formulary submission, comparative effectiveness reviews and a checklist. A more consistent and rigorous approach to assessing medicines and determining cost‐effectiveness could be achieved in Australian hospitals by using a standard format for submissions. Australian drug and therapeutics committees' members need to be educated about the utility of pharmacoeconomic studies in the evaluation of new medicines.

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)0,049
score de la tête « metaresearch » (Gemma)0,080
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,212
Score d'incertitude au seuil0,422

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0490,080
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,004
Études des sciences et des technologies0,0030,002
Communication savante0,0050,004
Science ouverte0,0020,005
Intégrité de la recherche0,0030,003
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,769
Tête enseignante GPT0,661
Écart entre enseignants0,108 · 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

Citations0
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Pharmacy Practice and ResearchMême sujetHealth Systems, Economic Evaluations, Quality of LifeTravaux en français237 207