MétaCan
Menu
Retour à la cohorte
Enregistrement W2981176489 · doi:10.12927/hcpol.2019.25937

Orphan Drug Pricing and Costs: A Case Study of Kalydeco and Orkambi

2019· article· en· W2981176489 sur OpenAlexafffundvenue
Aidan Hollis

Notice bibliographique

RevueHealthcare policy · 2019
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealth Systems, Economic Evaluations, Quality of Life
Établissements canadiensUniversity of Calgary
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésIvacaftorOrphan drugRevenueCystic fibrosisDrug pricingNarrative reviewMedicineBusinessActuarial scienceIntensive care medicineInternal medicineCystic fibrosis transmembrane conductance regulatorBioinformaticsFinance

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: A common narrative is that high prices are necessary for "orphan drugs" because of the fewer patients. In the context of state health insurance systems, the high prices create significant challenges because of limited budgets. RESULTS: This study carefully examines both costs and revenues of two drugs for cystic fibrosis (ivacaftor and lumacaftor), showing that, for this important example, prices are not high because of fewer patients. The study then explores the justifications usually given for high orphan drug prices, including the need to support research and development for new drugs. Each of these standard justifications is shown to be inadequate; instead, it appears that the exercise of market power in the presence of insurance is the dominant driver of high prices. INTERPRETATION: Insurers need to re-examine how they address high-priced drugs.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,344
Score d'incertitude au seuil0,925

Scores Codex et Gemma par catégorie

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

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 Opus0,241
Tête enseignante GPT0,464
Écart entre enseignants0,223 · 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 tête enseignante, 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

Citations17
Publié2019
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueHealthcare policyMême sujetHealth Systems, Economic Evaluations, Quality of LifeTravaux en français237 207