What does meaningful look like? A qualitative study of patient engagement at the Pan-Canadian Oncology Drug Review: perspectives of reviewers and payers
Notice bibliographique
Résumé
Objectives While there is wide support for patient engagement in health technology assessment, determining what constitutes meaningful (as opposed to tokenistic) engagement is complex. This paper explores reviewer and payer perceptions of what constitutes meaningful patient engagement in the Pan-Canadian Oncology Drug Review process. Methods Qualitative interview study comprising 24 semi-structured telephone interviews. A qualitative descriptive approach, employing the technique of constant comparison, was used to produce a thematic analysis. Results Submissions from patient advocacy groups were seen as meaningful when they provided information unavailable from other sources. This included information not collected in clinical trials, information relevant to clinical trade-offs and information about aspects of lived experience such as geographic differences and patient and carer priorities. In contrast, patient submissions that relied on emotional appeals or lacked transparency about their own methods were seen as detracting from the meaningfulness of patient engagement by conflating health technology assessment with other functions of patient advocacy groups such as fundraising or public awareness campaigns, and by failing to provide credible information relevant to deliberations. Conclusions This study suggests that misalignment of stakeholder expectations remains an issue even for a well-regarded health technology assessment process that has promoted patient engagement since its inception. Support for the technical capacity of patient groups to participate in health technology assessment is necessary but not sufficient to address this issue fully. There is a fundamental tension between the evidence-based nature of health technology assessment and the experientially oriented culture of patient advocacy. Divergent notions of what constitutes evidence and how it should be used must also be addressed.
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 | 0,085 | 0,186 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,027 | 0,023 |
| Communication savante | 0,010 | 0,008 |
| Science ouverte | 0,003 | 0,011 |
| Intégrité de la recherche | 0,005 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».