MétaCan
Menu
← Retour à la cohorte
Enregistrement W2314350016 · doi:10.1017/s0317167100010295

Increasing Use of Disease Modifying Drugs for MS in Canada

2010· article· en· W2314350016 sur OpenAlexaffvenueabout
Dalia Rotstein, Muhammad Mamdani, Paul O’Connor

Notice bibliographique

RevueCanadian Journal of Neurological Sciences / Journal Canadien des Sciences Neurologiques · 2010
Typearticle
Langueen
DomaineMedicine
ThématiqueMultiple Sclerosis Research Studies
Établissements canadiensUniversity of TorontoSt. Michael's Hospital
Organismes subventionnairesnon disponible
Mots-clésGlatiramer acetateMedical prescriptionMedicineNatalizumabPopulationCohortMultiple sclerosisPrescription drugRetrospective cohort studyDemographyInternal medicinePediatricsDiseaseEnvironmental healthPharmacologyImmunology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND/OBJECTIVES: The course of multiple sclerosis may be slowed by use of the disease modifying drugs (DMDs): subcutaneous or intramuscular interferon beta-1a, interferon beta-1b, glatiramer acetate, and natalizumab. We set out to compare utilization of these drugs in the Canadian provinces from 2002-2007. METHODS: Using a retrospective cohort analysis, we reviewed population data from International Medical Statistics (IMS) Health between November 2001 and October 2007. RESULTS: The total annual number of DMD prescriptions increased from 3.9, in 2002, to 5.1, in 2007, per 1,000 Canadians. The total annual cost of prescriptions rose from $187 million to $287 million. Of the four provinces responsible for the majority of prescriptions--Alberta, BC, Ontario, and Quebec--Quebec had the highest average annual prescription rate (7 per 1,000 population) and BC had the lowest rate (3.3 per 1,000 population). Subcutaneous interferon beta-1a was the most commonly used drug whereas glatiramer acetate showed the greatest growth in use from 2002 to 2007. CONCLUSIONS: Disease modifying drugs prescription rates and costs increased by more than 30% between 2002 and 2007. There was wide variation in DMD prescription rates and relative drug preferences across the provinces.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,030
Score d'incertitude au seuil0,221

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,006
Études des sciences et des technologies0,0020,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,086
Tête enseignante GPT0,313
Écart entre enseignants0,228 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations18
Publié2010
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Neurological Sciences / Journal Canadien des Sciences Neurologiques→Même sujetMultiple Sclerosis Research Studies→Travaux en français237 207→