Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper examines the issue of prices, relative to value, for cancer drugs. The analysis focuses on the effects on manufacturer pricing incentives of insurance coverage, specifically, the effectiveness of patient cost sharing, incentives created by reimbursement rules for physician-dispensed drugs, and payer ability and incentives to negotiate discounts. For pharmacy-dispensed cancer drugs, both Medicare Part D prescription drug plans (PDPs) and private payers' pharmacy benefit managers are increasingly placing these drugs on specialty tiers that offer no leverage for negotiating discounts and imply often unaffordable cost sharing for patients who lack catastrophic coverage. Simulation analysis of financial risks faced by PDPs confirms their incentives to place costly drugs on specialty tiers if more preferred formulary placement would increase use, possibly because of adverse selection risk. Faced with largely price-insensitive consumers and payers, manufacturers would rationally charge high prices. This situation is exacerbated for physician-dispensed cancer drugs, where Medicare's average selling price plus 6% reimbursement rule favors high-priced drugs. Because U.S. payers do not require evidence on prices relative to value, U.S. data are unavailable to test whether prices are higher, relative to value, for cancer drugs than for other drugs. Evidence from the Canadian Common Drug Review on cost-utility values suggests that cancer drugs are relatively high priced, although conclusions are tentative because of very small samples and non-U.S. data. Making such outcomes-adjusted prices available in the U.S. would be helpful to physicians, payers, and patients and indirectly constrain pricing to align with value.
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.
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) | 0,000 | 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 découle