MétaCan
Menu
Retour à la cohorte
Enregistrement W2995955619 · doi:10.2147/ceor.s156558

<p>North American cost analysis of brand name versus generic drugs for the treatment of glaucoma</p>

2019· article· en· W2995955619 sur OpenAlexaffabout
Monali S. Malvankar‐Mehta, Lucy Feng, Cindy Hutnik

Notice bibliographique

RevueClinicoEconomics and Outcomes Research · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueGlaucoma and retinal disorders
Établissements canadiensUniversity of WaterlooWestern University
Organismes subventionnairesnon disponible
Mots-clésMedicineGlaucomaFormularyMedical prescriptionPharmacyBrand namesGeneric drugFamily medicineOptometryDrugPharmacologyOphthalmologyAdvertisingBusiness

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: According to the World Health Organization, glaucoma is a leading cause of irreversible blindness worldwide. By 2020, 80 million people will be affected by glaucoma in the world, which represents a significant financial burden to society. Glaucoma medications alone make up 38-52% of the total direct cost. The purpose of this research is to conduct a cost-minimization analysis to evaluate brand-name medications versus generic medications for treating glaucoma patients. METHODS: The per-bottle cost (in Canadian dollars) of brand-name drugs for glaucoma was obtained from the wholesaler, McKesson Canada, and, for generic drugs, from the Ontario Drug Benefit (ODB) Formulary. Further, a wastage adjustment fee, a pharmacy mark-up, and an ODB dispensing fee ($CAD) was added to the cost of both brand and generic. Previously published frequencies of medication prescription were utilized to calculate the average annual cost for each class of brand and generic. For each medication class and for mono-, bi-, and tri-drug therapy, the cost differential between brands and generics over a six-year period was computed and analyzed from third-party payer perspective. RESULTS: ($748.23) were the most expensive, followed by prostaglandin analogs ($246.36), carbonic anhydrase inhibitors (CAIs) ($45.04), α-agonist ($30.34), β-blockers ($29.29), and cholinergic agonists ($16.51). Brand-name mono-drugs are 34% more expensive compared to generics. Brand-generic percentage cost differential for various medication classes over a six-year period was the highest for prostaglandin analogous (44%), followed by β-blockers (35%), α-agonist (31%), cholinergic agonists (22%), combination drugs (10%), and CAIs (1%). CONCLUSION: Brand-name drugs are relatively more expensive than their generic counterparts, with variable cost differentials depending on drug class.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,280
Score d'incertitude au seuil0,556

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,007
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,003
Bibliométrie0,0030,005
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,054
Tête enseignante GPT0,395
Écart entre enseignants0,341 · 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 source (Gemma direct ou Codex distillé), 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

Citations11
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueClinicoEconomics and Outcomes ResearchMême sujetGlaucoma and retinal disordersTravaux en français237 207