Health technology assessment of drugs for rare diseases: insights, trends, and reasons for negative recommendations from the CADTH common drug review
Notice bibliographique
Résumé
BACKGROUND: A shift in biochemical research towards drugs for rare diseases has created new challenges for the pharmaceutical industry, government regulators, health technology assessment agencies, and public and private payers. In this article, we aim to comprehensively review, characterize, identify possible trends, and explore reasons for negative reimbursement recommendations in submissions made to the Common Drug Review (CDR) for drugs for rare diseases (DRD) at the Canadian Agency for Drugs and Technologies in Health (CADTH), a publicly funded pan-Canadian health technology assessment agency. A public database (cadth.ca) was screened to identify DRD submissions to CDR. A diseases prevalence of ≤50 per 100,000 people was considered a rare disease. We calculated descriptive statistics for prevalence, study design, study size, treatment cost, reimbursement recommendation types, and reasons for negative reimbursement recommendations. RESULTS: From 2004 to 2015, 63 of 434 submissions to the CDR were for DRD (range: 1 submission in 2005 to 10 submissions in 2013). Most (74.6%) submissions included at least one double-blind randomized controlled trial (RCT). The average study size was 190 patients (range: 20 to 742). The average annual treatment cost was C$215,631 (range: $9,706 to $940,084). Reimbursement recommendations were positive for 54% of the submissions. Negative reimbursement recommendations were made due to a lack of clinical effectiveness (38.5%), insufficient evidence (30.8%), multiple reasons (23.1%), or lack of cost effectiveness/high cost (7.7%). CONCLUSION: The number of DRD submissions to CDR increased since 2013; from 4 to 5 per year between 2004 and 2012, to 10, 9, and 8 in 2013, 2014, and 2015 respectively. More than half of DRD submissions received positive reimbursement recommendation. Poor quality evidence and/or lack of supportive clinical evidence was at least partly responsible for a negative reimbursement recommendation in all cases. Although the average cost of DRD treatments was high, high cost was a reason for a negative reimbursement recommendation in only two (7.7%) of negative reimbursement recommendations.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».