OP30 Impact Of Patient Reported Outcomes Data On Health Technology Assessments Of Acute Myeloid Leukemia
Notice bibliographique
Résumé
Introduction Patient-reported outcomes (PRO) data are important in understanding patients’ experience of disease and treatment; however, PRO data are not universally collected or consistently included as part of a Health Technology Assessment (HTA) submission. Additionally, the HTA bodies’ response to PRO data vary, making the impact unclear. To understand the impact of PRO data on reimbursement decisions for Acute Myeloid Leukemia (AML) indications, an in-depth analysis of HTA bodies’ appraisals of AML and analogous indications was conducted. Methods This analysis was conducted using IQVIA's HTA Accelerator, which contains HTA appraisals from ≥100 HTA agencies in thirty-nine countries. Included in the analysis were single-technology assessments (original submissions, resubmissions, extensions of original indications, and renewals); relevant regulatory approvals and pivotal trials were also analyzed. Results Of the 185 AML appraisals from sixteen HTA bodies, 66 (36%) included PRO data. Within these, thirteen different PRO instruments were identified, none of which have been validated in patients with AML. For seven of twenty in-scope products, PRO evidence positively impacted ≥1 of the HTA decisions. Although the same HTA bodies (i.e., Scottish Medicines Consortium, pan-Canadian Oncology Drug Review, and the National Institute of Health and Care Excellence) generally accepted the PRO evidence, others were critical of the evidence (i.e., Haute Autorité de Santé and the Institut für Qualität und Wirtschaftlichkeit im Gesundheitswesen). The most common concerns raised by the HTA bodies regarding the PRO evidence included trial design and low patient response rate. Conclusions Of the products that included PRO evidence in their HTA submissions, 35% received positive feedback from ≥1 HTA body on their submitted PRO evidence. Attention to PRO data collection is key to demonstrate the value of AML products to HTA bodies. Without these data, a clear gap in the understanding of patients’ experience is evident.
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 | 0,241 | 0,537 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,005 |
| Bibliométrie | 0,013 | 0,023 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,008 | 0,004 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».