Health economic evaluations help inform payers of the best use of scarce health care resources
Notice bibliographique
Résumé
OBJECTIVES: The number of new health technologies has risen over the past decade. These new technologies usually are more effective but they also cost more compared to existing ones. In a publicly funded health care system such as Canada, the aim is to maximize the health of the population within the resources available. As a result, it is unavoidable that choices and trade-offs have to be made because there will always be more treatment options than resources will allow (i.e., scarcity of resources) as well as alternative uses for those resources (i.e., opportunity costs). The objective of this paper is to provide an overview of economic evaluations and how these tools can be used to help inform payers of the best use of scarce health care resources. STUDY DESIGN: This descriptive paper includes a summary of key consepts and definitions in economic appraisal and draws upon recently published papers as illustrations. METHODS: Background on the necessity and role of economic evaluations is provided, followed by a description of the approaches for, and types of, economic evaluations. Two illustrative examples are used and some implications for rural, remote and circumpolar communities are discussed. RESULTS: There are 2 main approaches for conducting an economic evaluation (trial- and model-based) and 3 types of evaluations which can be considered to inform payers of the best use of health care resources (cost-effectiveness, cost-utility and cost-benefit analyses). CONCLUSIONS: Techniques of economic evaluation are useful tools and an important input into the decision-making process. Although these techniques have universal application, there are issues specific to rural, remote and circumpolar communities which can affect the results of economic appraisals.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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; 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 ».