Estimating the payoffs from cardiovascular disease research in Canada: an economic analysis
Notice bibliographique
Résumé
BACKGROUND: Investments in medical research can result in health improvements, reductions in health expenditures and secondary economic benefits. These "returns" have not been quantified in Canada. Our objective was to estimate the return on cardiovascular disease research funded by public or charitable organizations. METHODS: Our primary outcome was the internal rate of return on cardiovascular disease research funded by public or charitable sources. The internal rate of return is the annual monetary benefit to the economy for each dollar invested in cardiovascular disease research. Calculation of the internal rate of return involved the following: measuring expenditures on cardiovascular disease research, estimating the health gains accrued from new treatments for cardiovascular disease, determining the proportion of health gains attributable to cardiovascular disease research and the time lag between research expenditures and health gains, and estimating the spillovers from public- or charitable-sector investments to other sectors of the economy. RESULTS: Expenditures by public or charitable organizations on cardiovascular disease research from 1981 to 1992 amounted to $392 million (2005 dollars). Health gains associated with new treatments from 1994 to 2005 (13-yr lag) amounted to 2.2 million quality-adjusted life-years. We calculated an internal rate of return of 20.6%. CONCLUSION: Canadians obtain relatively high health and economic gains from investments in cardiovascular disease research. Every $1 invested in cardiovascular disease research by public or charitable sources yields a stream of benefits of roughly $0.21 to the Canadian economy per year, in perpetuity.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».