Using Economic Evidence to Set Healthcare Priorities in Low‐Income and Lower‐Middle‐Income Countries: A Systematic Review of Methodological Frameworks
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
Policy makers in low-income and lower-middle-income countries (LMICs) are increasingly looking to develop 'evidence-based' frameworks for identifying priority health interventions. This paper synthesises and appraises the literature on methodological frameworks--which incorporate economic evaluation evidence--for the purpose of setting healthcare priorities in LMICs. A systematic search of Embase, MEDLINE, Econlit and PubMed identified 3968 articles with a further 21 articles identified through manual searching. A total of 36 papers were eligible for inclusion. These covered a wide range of health interventions with only two studies including health systems strengthening interventions related to financing, governance and human resources. A little under half of the studies (39%) included multiple criteria for priority setting, most commonly equity, feasibility and disease severity. Most studies (91%) specified a measure of 'efficiency' defined as cost per disability-adjusted life year averted. Ranking of health interventions using multi-criteria decision analysis and generalised cost-effectiveness were the most common frameworks for identifying priority health interventions. Approximately a third of studies discussed the affordability of priority interventions. Only one study identified priority areas for the release or redeployment of resources. The paper concludes by highlighting the need for local capacity to conduct evaluations (including economic analysis) and empowerment of local decision-makers to act on this evidence.
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 | 0,060 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,018 | 0,001 |
| Bibliométrie | 0,002 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle