MétaCan
Menu
Retour à la cohorte
Enregistrement W2905479930 · doi:10.3389/fneur.2018.00835

The Role of Prescribing Generic (Non-proprietary) Drugs in the Prevalence of Therapeutic Inertia in Multiple Sclerosis Care

2018· article· en· W2905479930 sur OpenAlexaff
Gustavo Saposnik, Muhammad Mamdani, María Terzaghi, Maria Luisa Saladino, Berenice Silva, Philippe N. Tobler, Fernando Cáceres

Notice bibliographique

RevueFrontiers in Neurology · 2018
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealth Systems, Economic Evaluations, Quality of Life
Établissements canadiensUniversity of TorontoSt. Michael's Hospital
Organismes subventionnairesUniversität Zürich
Mots-clésMedical prescriptionMedicinePopulationPrescription drugCompetitor analysisBrand namesFamily medicineMarketingNursingBusiness

Résumé

récupéré en direct d'OpenAlex

Importance: Generics companies may market products at low or similar costs to brand drug competitors given the more flexible compliance rules, and regulations for marketing their products in the health system. This phenomenon may influence prescriber’s behavior. Objectives: To compare the prevalence of therapeutic inertia (TI) between primary prescription of brand-name vs. generic drugs in the management of MS in Argentina. Design: Population-based online study comprising 117 neurologists with expertise in MS. Participants answered questions regarding their clinical practice, most commonly prescribed disease modifying agents, and therapeutic choices of 10 simulated case-scenarios that assessed TI. Inertia was defined as the lack of treatment initiation or escalation despite evidence of clinical and radiological activity (8 case-scenarios, 720 individual responses). We created the generic-brand name score (GBS) according to the 5 most frequently prescribed generic (n=16) vs. brand-name (n=9) drugs for MS, where scores higher than 1 indicated higher prescription of generic drugs and scores lower than 1 indicated higher prescription of brand agents. The primary outcome was TI. Results: 90 participants completed the study (completion rate 76.9%). TI was observed in 153 (21.3%) of participants’ responses. The mean GBS score (SD) of 3.44 (2.1), with 46 (51.1%) participants having a GBS equal to or higher than 1. Older age (OR 1.19; 95%CI 1.00-1.42), being a general neurologist (OR 3.91; 95%CI 1.19-12.8) and being more willing to take risks in multiple domains (SOEP score OR 1.06, 95%CI 1.01-1.12) were associated with higher prescription of generic drugs in MS care. The evaluation of individual responses revealed that participants with higher prescription of generics – reflected by a higher GBS – had higher incident risk of TI (mean GBS 3.61 for TI vs. 2.96 for no TI; p<0.001). Multivariate analysis revealed that a prescription of generic agents was associated with an increased incident risk of TI (OR 1.56; 95%CI 1.07-2.29). Conclusions: General neurologist, older age, and willingness to take risks were associated with increased prescription of generic drugs despite similar costs compared to brand-agents. In our study, the prescription of generic-MS drugs was associated with a higher incident risk of TI.

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)0,006
score de la tête « metaresearch » (Gemma)0,032
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,034

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,032
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,154
Tête enseignante GPT0,317
Écart entre enseignants0,163 · 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.

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

Citations11
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in NeurologyMême sujetHealth Systems, Economic Evaluations, Quality of LifeTravaux en français237 207