MétaCan
Menu
Retour à la cohorte
Enregistrement W2104769168 · doi:10.1586/14737167.2013.814962

Harmonization of reimbursement and regulatory approval processes: a systematic review of international experiences

2013· review· en· W2104769168 sur OpenAlexafffund
Bernice Tsoi, Lisa Masucci, Kaitryn Campbell, Michael Drummond, Daria O’Reilly, Ron Goeree

Notice bibliographique

RevueExpert Review of Pharmacoeconomics & Outcomes Research · 2013
Typereview
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealth Systems, Economic Evaluations, Quality of Life
Établissements canadiensPrograms for Assessment of Technology in Health Research InstituteMcMaster UniversitySt. Joseph’s Healthcare Hamilton
Organismes subventionnairesCanadian Institutes of Health ResearchHealth Canada
Mots-clésHarmonizationReimbursementRestructuringProcess (computing)BusinessRisk analysis (engineering)Process managementManagement sciencePublic economicsHealth careComputer scienceEconomicsPolitical scienceFinanceLaw

Résumé

récupéré en direct d'OpenAlex

A considerable degree of overlap exists between reimbursement and regulatory approval of health technologies, and harmonization of certain aspects is both possible and feasible. Various models to harmonization have been suggested in which a number of practical attempts have been drawn from. Based on a review of the literature, approaches can be categorized into those focused on reducing uncertainty and developing economies of scale in the evidentiary requirements; and/or aligning timeframes and logistical aspects of the review process. These strategies can further be classified based on the expected level of structural and organizational change required to implement them into the existing processes. Passive processes require less modification, whereas active processes are associated with greater restructuring. Attempts so far at harmonization have raised numerous legal and practical issues and these must be considered when introducing a more harmonized framework into the existing regulatory and reimbursement arrangements.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,034
score de la tête « metaresearch » (Gemma)0,012
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesMétarecherche
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,324
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0340,012
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0100,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0020,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,348
Tête enseignante GPT0,618
Écart entre enseignants0,270 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeRevue systématique
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations31
Publié2013
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueExpert Review of Pharmacoeconomics & Outcomes ResearchMême sujetHealth Systems, Economic Evaluations, Quality of LifeTravaux en français237 207