MétaCan
Menu
Retour à la cohorte
Enregistrement W2397293125 · doi:10.1158/0008-5472.can-15-3179

Toward Value-Based Pricing to Boost Cancer Research and Innovation

2016· article· en· W2397293125 sur OpenAlexaff
Alberto Ocaña, Eitan Amir, Ian F. Tannock

Notice bibliographique

RevueCancer Research · 2016
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEconomic and Financial Impacts of Cancer
Établissements canadiensPrincess Margaret Cancer CentreUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésBusinessSustainabilityDrug developmentValue (mathematics)Health careIntervention (counseling)DrugRisk analysis (engineering)MedicinePharmacologyEconomicsComputer scienceEconomic growth

Résumé

récupéré en direct d'OpenAlex

The high market price of new anticancer agents has stimulated debate about the long-term sustainability of healthcare systems and whether these new agents can continue to be supported by public healthcare or by private insurers. In addition, some drugs have been approved with limited clinical benefit, raising concerns about setting a minimum requirement for medical benefit. Options to resolve these problems include raising the bar for approval of new drugs and/or pricing of new agents based on the medical benefit that they offer to patients. In this commentary, we suggest that new agents should be marketed in a two-step process that would include first the approval of the new drug by the regulatory agencies and second the introduction of a market price based on the medical benefit that the new intervention offers to patients. Introduction of value-based pricing would maintain the sustainability of health care systems and would improve drug development, as it would pressure pharmaceutical companies to become more innovative and avoid the development of compounds with limited benefit. Value-based pricing could also stimulate the funding of research directed to development of new anticancer drugs with novel mechanisms of action. Cancer Res; 76(11); 3127-9. ©2016 AACR.

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)0,028
score de la tête « metaresearch » (Gemma)0,104
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Incitatifs · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,972
Score d'incertitude au seuil0,150

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0280,104
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0020,002
Études des sciences et des technologies0,0020,010
Communication savante0,0100,016
Science ouverte0,0030,003
Intégrité de la recherche0,0250,025
Charge utile insuffisante (le modèle a refusé de juger)0,0070,002

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 Opus0,299
Tête enseignante GPT0,421
Écart entre enseignants0,123 · 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.

Devis d'étudeThéorique ou conceptuel
DomaineIncitatifs
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

Citations17
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCancer ResearchMême sujetEconomic and Financial Impacts of CancerTravaux en français237 207