MétaCan
Menu
Retour à la cohorte
Enregistrement W2109664487 · doi:10.1017/s0266462309990699

A common policy framework for evidence generation on promising health technologies

2009· review· en· W2109664487 sur OpenAlexaboutno aff
Cédric Carbonneil, Fabienne Quentin, Sun Hae Lee-Robin

Notice bibliographique

RevueInternational Journal of Technology Assessment in Health Care · 2009
Typereview
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealth Systems, Economic Evaluations, Quality of Life
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMedicineRisk analysis (engineering)Business

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Generation of additional evidence may be necessary to access new promising technologies (marketing approval or coverage). Access with evidence generation (AEG) is a more recent concept with regard to coverage than to marketing approval. OBJECTIVES: One aim of Work Package 7 (WP7) Strand A of the European network for Health Technology Assessment (EUnetHTA) was to provide an overview of national AEG mechanisms associated with marketing approvals and funding or coverage decisions. METHODS: A systematic literature review, surveys of WP7 Partners, and consultation of key people were used to obtain information on the AEG mechanisms used by twenty-three countries (twenty European countries, United States, Canada [Ontario], and Australia). RESULTS: Interest in the implementation of AEG policies, particularly at the coverage decision stage, is growing. An overview of national experiences was used to draw up a generally applicable five-step policy framework for AEG mechanisms that comprised (i) a first assessment identifying knowledge gaps; (ii) a decision conditional to evidence generation; (iii) generation of the evidence requested; (iv) re-assessment integrating the new evidence; (v) a revised decision. The critical factors for success that were identified were coordination, methodological guidance, funding, and a regulatory framework. Countries were categorized on the basis of current implementation of the proposed policy framework. CONCLUSIONS: International collaboration is necessary to gather a critical mass of high-quality data quickly and to ensure timely access to new promising technologies. The overview produced by WP7A has led to development of tools to facilitate collaboration on evidence generation.

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)0,638
score de la tête « metaresearch » (Gemma)0,539
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: aucune
Score de désaccord entre enseignants0,638
Score d'incertitude au seuil0,512

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,6380,539
Méta-épidémiologie (sens strict)0,0070,005
Méta-épidémiologie (sens large)0,0090,015
Bibliométrie0,0410,021
Études des sciences et des technologies0,0130,043
Communication savante0,0540,049
Science ouverte0,0220,043
Intégrité de la recherche0,0440,026
Charge utile insuffisante (le modèle a refusé de juger)0,0140,005

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 Opus0,509
Tête enseignante GPT0,612
Écart entre enseignants0,103 · 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.

Devis d'étudeSans objet
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

Citations28
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Technology Assessment in Health CareMême sujetHealth Systems, Economic Evaluations, Quality of LifeTravaux en français237 207