MétaCan
Menu
Retour à la cohorte
Enregistrement W2327826446 · doi:10.1097/00126450-200307000-00013

Consumers Devise Drug Cost-Cutting Measures

2003· article· en· W2327826446 sur OpenAlexaboutno aff
Gouranga Ganguli

Notice bibliographique

RevueThe Health Care Manager · 2003
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiquePharmaceutical Economics and Policy
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMedical prescriptionPrescription drugPillPer capitaHealth careBusinessPrescription costsDrugDrug pricesHealth care costHealth insuranceMedicineEnvironmental healthActuarial sciencePublic economicsPharmacologyEconomic growthEconomics

Résumé

récupéré en direct d'OpenAlex

Health care costs in general, and prescription drug costs in particular, are rapidly rising. Between 1996 and 2007 the average annual per capita health care cost is projected to increase from dollar 3,781 to dollar 7,100. [AQ1] The single leading component of health care cost is the cost of prescription drugs (currently 10% of total health care spending, projected to become 18% in 2008). The average cost per drug increased 40% during the 1993-1998 period. Forty-one million Americans have no health insurance, and those who have, have inadequate prescription drug coverage. [AQ2] To cope with this situation, many consumers are trying to economize by doing without the prescriptions or the appropriate doses, buying generics or medicines from Canada or Mexico, or splitting pills of higher doses to take advantage of the pricing policy of drug manufacturers. Some of these approaches are medically and/or legally acceptable, while some are dubious. Most adversely affected are the seniors and poor; for certain groups of seniors prescription drugs account for 30% of their health care spending. The problem must receive prompt concerted attention from consumers, insurers, pharmaceutical companies, and lawmakers before it gets out of hand.

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)0,014
score de la tête « metaresearch » (Gemma)0,035
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,072

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0140,035
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,002
Études des sciences et des technologies0,0020,004
Communication savante0,0070,006
Science ouverte0,0020,003
Intégrité de la recherche0,0060,004
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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.

Tête enseignante Opus0,073
Tête enseignante GPT0,316
Écart entre enseignants0,243 · 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

Citations5
Publié2003
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Health Care ManagerMême sujetPharmaceutical Economics and PolicyTravaux en français237 207