Factors associated with positive and negative recommendations for cancer and non-cancer drugs for rare diseases in Canada
Notice bibliographique
Résumé
BACKGROUND: In Canada, reimbursement recommendations on drugs for common and rare diseases are overseen by the Canadian Agency for Drugs and Technologies in Health (CADTH) and made through the pan-Canadian Oncology Drug Review (pCODR) and the Common Drug Review (CDR). While the agency specifies information requirements for the review of drug submissions, how that information is used by each process to formulate final reimbursement recommendations, particularly on drugs for rare diseases (DRDs) in which per patient treatment costs are often high, is unclear. The purpose of this study was to determine which factors contribute to recommendation type for DRDs. METHODS: Information was extracted from CDR and pCODR recommendations on drugs for diseases with a prevalence < 1 in 2000 from January 2012 to April 2018. Data were tabulated and multiple logistic regression was applied to explore the association between recommendation type and the following factors: condition/review process (cancer vs non-cancer), year, prevalence, clinical effectiveness (improvements in surrogate, clinical and patient reported outcomes), safety, quality of evidence (availability of comparative data, consistency between population in trial and indication, and bias), clinical need, treatment cost, and incremental cost-effective ratio (ICER). Two-way interactions were also explored. RESULTS: A total of 103 recommendations were included. Eleven were resubmissions, all of which received a positive recommendation. Among new submissions (n = 92), DRDs that were safe or offered improvements in clinical or patient reported outcomes were more likely to receive positive reimbursement recommendations. No associations between recommendation type and daily treatment cost, cost-effectiveness, or condition (cancer or non-cancer) were found. CONCLUSIONS: Clinical effectiveness, as opposed to economic considerations or whether the drug is indicated for cancer or non-cancer, determine the type of reimbursement recommendation.
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 | 0,021 | 0,236 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,011 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,004 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| 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 ».