How Procurement Judges The Value of Medical Technologies: A Review of Healthcare Tenders
Notice bibliographique
Résumé
OBJECTIVES: Procurement's important role in healthcare decision making has encouraged criticism and calls for greater collaboration with health technology assessment (HTA), and necessitates detailed analysis of how procurement approaches the decision task. METHODS: We reviewed tender documents that solicit medical technologies for patient care in Canada, focusing on request for proposal (RFP) tenders that assess quality and cost, supplemented by a census of all tender types. We extracted data to assess (i) use of group purchasing organizations (GPOs) as buyers, (ii) evaluation criteria and rubrics, and (iii) contract terms, as indicators of supplier type and market conditions. RESULTS: GPOs were dominant buyers for RFPs (54/97) and all tender types (120/226), and RFPs were the most common tender (92/226), with few price-only tenders (11/226). Evaluation criteria for quality were technical, including clinical or material specifications, as well as vendor experience and qualifications; "total cost" was frequently referenced (83/97), but inconsistently used. The most common (47/97) evaluative rubric was summed scores, or summed scores after excluding those below a mandatory minimum (22/97), with majority weight (64.1 percent, 62.9 percent) assigned to quality criteria. Where specified, expected contract lengths with successful suppliers were high (mean, 3.93 years; average renewal, 2.14 years), and most buyers (37/42) expected to award to a single supplier. CONCLUSIONS: Procurement's evaluative approach is distinctive. While aiming to go beyond price in the acquisition of most medical technologies, it adopts a narrow approach to assessing quality and costs, but also attends to factors little considered by HTA, suggesting opportunities for mutual lesson learning.
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 | 0,020 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».