The evolving role of patient preference studies in health-care decision-making, from clinical drug development to clinical care management
Notice bibliographique
Résumé
Introduction: There is a growing trend of using patient preference studies to help incorporate the patient perspective into clinical drug development, care management, and health-care decision-making. Collecting and interpreting patient preference data is integral to multi-stakeholder engagement, patient-centric drug development, and clinical care management. Operationally, challenges exist in understanding ‘when’ and ‘how’ to embark on patient preference studies. This review will provide a brief overview of stated-preference methods, discuss applications throughout the clinical drug development and care management, and highlight how preference studies serve as a powerful tool for quantifying patient experiences for better outcomes.Areas covered: We present case studies to complement the different applications of stated-preference methods in clinical drug development and care management. We discuss the applications of preference data to help inform evidence-based patient advocacy, clinical development strategy, operational feasibility, regulator benefit-risk assessments, health technology assessments, and clinical decision-making.Expert commentary: Patient preference studies can serve as a powerful tool to engage patients and their communities as well as quantify the patient voice across different stages of clinical drug development and care management to support patient-centric health-care decision-making. It is expected that the application of these strategies will quickly advance in the coming years.
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 | 0,154 | 0,257 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,003 |
| Bibliométrie | 0,005 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,007 |
| Communication savante | 0,008 | 0,010 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,005 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 ».