MétaCan
Menu
Retour à la cohorte
Enregistrement W2024632887 · doi:10.1007/s40271-014-0108-6

Developing a Patient-Directed Policy Framework for Managing Orphan and Ultra-Orphan Drugs Throughout Their Lifecycle

2015· article· en· W2024632887 sur OpenAlexafffundabout
Devidas Menon, Tania Stafinski, Andrea L. Dunn, Durhane Wong‐Rieger

Notice bibliographique

RevuePatient · 2015
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealth Systems, Economic Evaluations, Quality of Life
Établissements canadiensUniversity of Alberta
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésOrphan drugRare diseaseBusinessMedicineDiseaseRisk analysis (engineering)Bioinformatics

Résumé

récupéré en direct d'OpenAlex

INTRODUCTION: Policy decisions related to orphan and ultra-orphan drugs challenge traditional decision-making processes and often frustrate those affected by them. In general, these drugs are associated with significant uncertainties around clinical benefit, 'value for money', affordability, and 'adoption/diffusion', all of which arise from a lack of available high-quality evidence. Increasingly, patients with rare diseases and their families are looking for opportunities to contribute to initiatives aimed at reducing these uncertainties. Therefore, a policy framework for guiding their involvement is needed to optimize the impact of any evidence generated. OBJECTIVES: The aims of this study were (1) to explore opportunities for patient involvement in reducing decision uncertainties throughout the lifecycle of orphan and ultra-orphan drugs from the perspectives of patients within the Canadian rare disease community; and (2) to develop a policy framework for patient input that maximizes the impact of their involvement on decision uncertainties around orphan and ultra-orphan drugs. METHODS: Two one-day conferences and four workshops involving patients and/or families from rare disease communities in Canada were held to discuss issues around orphan and ultra-orphan drug development, access, and coverage, and identify opportunities for patient input to reduce related decision uncertainties. Their feedback and the findings from a recent literature review on patient involvement in rare diseases were combined into a draft policy framework based upon Kingdon's multiple streams model of decision making. The framework was presented to a group of patients and other stakeholders, including providers, pharmaceutical drug plan managers, and industry representatives, and then revised accordingly. RESULTS: Patients and family members/caregivers identified tangible ways of contributing to the generation of information at all stages of the drug lifecycle. However, the proximity of that information to the reduction of a specific decision uncertainty varied. While the scope of possible ways mentioned was less broad when compared with the findings of the literature review, the focus was similar-capturing the clinical benefit of an orphan or ultra-orphan drug. A policy framework comprising three stages, each with a key question and corresponding set of sub-questions to be asked by patients, was developed. The three main sequential questions were as follows. (1) What uncertainties need to be addressed? (2) What roles should patients play? (3) Is each role feasible? CONCLUSIONS: Reducing decision uncertainties around orphan and ultra-orphan drugs requires a policy framework that explicates when and what type of information needs to be generated, and recognizes the role of patients as important sources of such information throughout the lifecycle of these drugs.

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)0,157
score de la tête « metaresearch » (Gemma)0,104
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,162
Score d'incertitude au seuil0,831

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,1570,104
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,003
Bibliométrie0,0060,005
Études des sciences et des technologies0,0170,022
Communication savante0,0260,014
Science ouverte0,0080,016
Intégrité de la recherche0,0200,016
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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.

Tête enseignante Opus0,295
Tête enseignante GPT0,426
Écart entre enseignants0,131 · 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'étudeThéorique ou conceptuel
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

Citations25
Publié2015
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revuePatientMême sujetHealth Systems, Economic Evaluations, Quality of LifeTravaux en français237 207