Evidence and values: requirements for public reimbursement of drugs for rare diseases--a case study in oncology.
Notice bibliographique
Résumé
INTRODUCTION: Doubts have been expressed about whether standard methods of health technology assessment are suitable for the evaluation of drugs for rare diseases. Under conditions of rarity, it may be more difficult to conduct large randomized trials in order to gather adequate evidence on efficacy, and the standard methods of economic evaluation may not adequately reflect societal preferences for the treatment of serious and/or life-threatening rare diseases. METHODS: A roundtable was held at the University of Toronto Joint Centre for Bioethics on February 18, 2008 to address these issues. While the focus was on evaluation and reimbursement decision-making for rare cancers, the discussion was broadened to consider the place of evidence and values in considering public reimbursement of drugs prescribed for rare disorders more generally. DISCUSSION: This paper explores the relevant issues in more detail, using the example of a new drug for treatment of renal cell carcinoma. CONCLUSION: There should be a greater commitment by reimbursement agencies to a fair and transparent decision-making process with appropriate community input. Criteria should be developed to validate surrogate markers for rare diseases. It should also be acknowledged that the traditional measures of benefit in economic studies do not incorporate all elements of social value. The need should be recognized to balance equity with an efficient use of resources.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,141 | 0,265 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,011 |
| Communication savante | 0,012 | 0,009 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,025 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 source (Gemma direct ou Codex distillé), 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 ».