National trends in prescription drug expenditures and projections for 2019
Notice bibliographique
Résumé
PURPOSE: Historical trends and factors likely to influence future pharmaceutical expenditures are discussed, and projections are made for drug spending in 2019 in nonfederal hospitals, clinics, and overall (all sectors). METHODS: Drug expenditure data through calendar year 2018 were obtained from the IQVIA National Sales Perspectives database and analyzed. New drug approvals, patent expirations, and other factors that may influence drug spending in hospitals and clinics in 2019 were also reviewed. Expenditure projections for 2019 for nonfederal hospitals, clinics, and overall (all sectors) were made through a combination of quantitative analyses and expert opinion. RESULTS: U.S. prescription sales in calendar year 2018 totaled $476.2 billion, a 5.5% increase from 2017 spending. The top 3 drugs by expenditures were adalimumab ($19.1 billion), insulin glargine ($9.3 billion), and etanercept ($8.0 billion). Prescription expenditures in nonfederal hospitals totaled $35.8 billion, a 4.8% increase from 2017. Expenditures in clinics in 2018 increased by 13.0% to $80.5 billion. The increase in spending in nonfederal hospitals was largely driven by new products and increased utilization of existing products. The list of the top 25 drugs by expenditures in nonfederal hospitals and clinics was dominated by specialty drugs. CONCLUSION: We predict continued moderate growth of 4-6% in overall drug expenditures (across the entire U.S. market). We expect the clinic sector to continue to experience high (11-13%) growth in drug spending in 2019. Finally, for nonfederal hospitals we anticipate growth in the range of 3-5%. These estimates are at the national level. Health-system pharmacy leaders should carefully examine local drug utilization patterns to determine their own organization's anticipated spending in 2019.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».