USING CLAIMS DATA FOR EVIDENCE GENERATION IN MANAGED ENTRY AGREEMENTS
Notice bibliographique
Résumé
OBJECTIVES: This study assesses the use of routinely collected claims data for managed entry agreements (MEA) in the illustrative context of German statutory health insurance (SHI) funds. METHODS: Based on a nonsystematic literature review, the data needs of different MEA were identified. A value-based typology to classify MEA on the basis of these data needs was developed. The typology is oriented toward health outcomes and utilization and costs, key components of a new technology's value. For each MEA type, the suitability of claims data in establishing evidence of the novel technology's value in routine care was systematically assessed. Assessment criteria were data availability, completeness, timeliness, confidentiality, reliability, and validity. RESULTS: Claims data are better suited to MEA addressing uncertainty regarding the utilization and costs of a novel technology in routine care. In schemes where safety aspects or clinical effectiveness are assessed, the role of claims data is limited because clinical information is not included in sufficient detail. CONCLUSIONS: The suitability of claims data depends on the source of uncertainty and, in consequence, the outcome measures chosen in the agreements. In all schemes, the validity of claims data should be judged with caution as data are collected for billing purposes. This framework may support manufacturers and payers in selecting the most suitable contract type and agreeing on contract conditions. More research is necessary to validate these results and to address remaining medical, economic, legal, and ethical questions of using claims data for MEA.
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 | 0,458 | 0,729 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,040 | 0,034 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,018 | 0,015 |
| Science ouverte | 0,004 | 0,011 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».