Health technology assessment of new drugs for rare disorders in Canada: impact of disease prevalence and cost
Notice bibliographique
Résumé
BACKGROUND: Authors from the Canadian Agency for Drugs and Technologies in Health (CADTH) presented an analysis of submissions to the Common Drug Review (CDR) between 2004 and February 3, 2016 for drugs for rare disorders (disorders with a prevalence of <50 per 100,000). OBJECTIVE: The aim of this analysis was to examine the same CDR submissions to evaluate whether the negative reimbursement recommendation rate, clinical evidence of efficacy and statements concerning the drug's cost in the CDR reports varied with the prevalence of the disorder treated by the drug grouped into three decreasing categories: <50 to >10, ≤10 to >1, and ≤1 per 100,000. RESULTS: As the prevalence of the treated disorder decreased, the median daily cost of the drug, the negative recommendation rate and the proportion of submissions with statements in the CDR reports highlighting the cost of the drug increased, while the proportion of submissions with acceptable evidence of clinical efficacy decreased. Moreover, although the CADTH authors reported that only two submissions received a negative recommendation due to a "lack of cost-effectiveness/high cost," high cost was mentioned in the CDR reports of 15 drugs with negative recommendations, all for disorders with a prevalence of ≤10 per 100,000. CONCLUSIONS: The aggregated analysis of CDR submissions for drugs for disorders with wide ranging prevalence rates concealed information of concern to patients. The negative reimbursement recommendation rate and the significance of cost in the CDR assessments increased as the prevalence of the treated disorder decreased. Since 2012, the manner in which high cost drugs for rare disorders have been dealt with by the CDR has changed. Cost has ceased to be a factor in negative recommendations but is included in criteria accompanying positive recommendations. This trend is associated with the integration of the CDR process with the system for price negotiation between public drug plans and pharmaceutical companies.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,050 | 0,253 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,022 | 0,025 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,007 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».