MétaCan
Menu
Retour à la cohorte
Enregistrement W2510116108 · doi:10.15173/m.v1i29.1177

A Case for Pharmacare in Canada: Lessons Learned from the UK

2016· article· en· W2510116108 sur OpenAlexvenueaboutno aff
Alexandra Kilian, Emily Fong, Sara Halawa, Matthew Hughsam, Ben Li

Notice bibliographique

RevueThe Meducator · 2016
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealth Systems, Economic Evaluations, Quality of Life
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPeer reviewPopulation healthPolitical scienceMedicineRegional scienceFamily medicineGeographyEnvironmental healthPopulationLaw

Résumé

récupéré en direct d'OpenAlex

In 2014, total drug expenditure in Canada was $33.9 billion, of which a significant proportion (85%) was spent on prescribed drugs.1 Prescription drugs have become an integral component of modern medicine as they can help treat diseases and greatly improve quality of life.2 However, unlike most other countries with a universal health system, Canada does not universally cover prescription drugs.2 While some level of public drug coverage is provided by all provinces and territories in Canada, 58% of prescription drug costs are covered by private health insurance plans or out-of-pocket payments.2 As a result, there is growing interest among the Canadian public to implement a public drug insurance program, often termed “Pharmacare,” to improve access to prescription drugs.2 The United Kingdom (UK) has had a public financing system for health coverage in place, including prescription drugs, for decades. This article explores what Canada can learn from the UK’s successful universal drug coverage program.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,003
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,370
Score d'incertitude au seuil0,946

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0060,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,598
Tête enseignante GPT0,468
Écart entre enseignants0,130 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
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

Citations0
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe MeducatorMême sujetHealth Systems, Economic Evaluations, Quality of LifeTravaux en français237 207