How Many “Me-Too” Drugs are Enough? The Case of Physician Preferences for Specific Statins
Notice bibliographique
Résumé
BACKGROUND: The increasing availability of "Me-Too" drugs has provided considerable treatment options for clinicians. However, the number of such drugs within a class that are actually used by clinicians has not been well studied. OBJECTIVE: To determine the number of different statins that individual physicians use in practice. METHODS: The Ontario Drug Benefit database was used to identify physicians who issued at least 10 incident statin prescriptions between October 2001 and May 2003 for patients aged 66 years and older. A preferred statin was defined for each physician, and the proportion of each physician's incident prescriptions written for that agent was determined. We then determined the number of different statins required to fill each physician's incident prescribing needs. RESULTS: A total of 3426 physicians wrote 73,571 incident statin prescriptions. The mean percentage of prescriptions written for each physician's preferred statin formulation was 73.7%. Repeat analysis to examine the proportion of prescriptions filled using each physician's top 2 statin formulations found that the average physician wrote the vast majority of his or her incident prescriptions (94.9%) for only 1 or 2 statins. Half of all physicians used, at most, 2 different statins for all incident prescribing, while 91.3% of physicians used, at most, 3 different statins for all of their incident prescribing. CONCLUSIONS: A high proportion of Ontario physicians issued the majority of their incident statin prescriptions for the same statin formulation. Most physicians required, at most, 3 different statins for all incident statin prescribing.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».