GENERATING HEALTH TECHNOLOGY ASSESSMENT EVIDENCE FOR RARE DISEASES
Notice bibliographique
Résumé
OBJECTIVES: Rare diseases are often heterogeneous in their progression and response to treatment, with only a small population for study. This provides challenges for evidence generation to support HTA, so novel research methods are required. METHODS: Discussion with an expert panel was augmented with references and case studies to explore robust approaches for HTA evidence generation for rare disease treatments. RESULTS: Traditional RCTs can be modified using sequential, three-stage or adaptive designs to gain more power from a small patient population or to focus trial design. However, such designs need to maintain important design aspects such as randomization and blinding and be analyzed to take account of the multiple analyses performed. N-of-1 trials use within-patient randomization to test repeat periods of treatment and control until a response is clear. Such trials could be particularly valuable for rare diseases and when prospectively planned across several patients and analyzed using Bayesian techniques, a population effect can be estimated that might be of value to HTA. When the optimal outcome is unclear in a rare disease, disease specific patient reported outcomes can elucidate impacts on patients' functioning and wellbeing. Likewise, qualitative research can be used to elicit patients' perspectives, with just a small number of patients. CONCLUSIONS: International consensus is needed on ways to improve evidence collection and assessment of technologies for rare diseases, which recognize the value of novel study designs and analyses in a setting where the outcomes and effects of importance are yet to be agreed.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».