Contrasting evidence to reimbursement reality for off-label use (OLU) of drug treatments in cancer care: rationale and design of the CEIT-OLU project
Notice bibliographique
Résumé
Background: Off-label use (OLU) of a drug reflects a perceived unmet medical need, which is common in oncology. Cancer drugs are often highly expensive and their reimbursement is a challenge for many healthcare systems. OLU is frequently regulated by reimbursement restrictions. For evidence-based healthcare, treatment ought to be reimbursed if there is sufficient clinical evidence for treatment benefit independently of patient factors not related to the treatment indication. However, little is known about the reality of OLU reimbursement and its association with the underlying clinical evidence. Here, we aim to investigate the relationship of reimbursement decisions with the underlying clinical evidence. Methods/ design: We will extract patient characteristics and details on treatment and reimbursement of cancer drugs from over 3000 patients treated in three Swiss hospitals. We will systematically search for clinical trial evidence on benefits associated with OLU in the most common indications. We will describe the prevalence of OLU in Switzerland and its reimbursement in cancer care, and use multivariable logistic regression techniques to investigate the association of approval/rejection of a reimbursement requests to the evidence on treatment effects and to further factors, including type of drug, molecular predictive markers and the health insurer. Discussion: Our study will provide a systematic overview and assessment of OLU and its reimbursement reality in Switzerland. We may provide a better understanding of the access to cancer care that is regulated by health insurers and we hope to identify factors that determine the level of evidence-based cancer care in a highly diverse western healthcare system.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 ».