Reimbursement Lag of New Drugs Under Taiwan's National Health Insurance System Compared With United Kingdom, Canada, Australia, Japan, and South Korea
Notice bibliographique
Résumé
Drug lag-delayed approval or reimbursement-is a major barrier to accessing cutting-edge drugs. Unlike approval lag, reimbursement lag is under-researched. We investigated the key determinants of reimbursement lag under Taiwan National Health Insurance (NHI), and compared this lag with those in the United Kingdom, Canada, Australia, Japan, and South Korea. Using retrospective data on 190 new NHI-reimbursed drugs from 2007 to 2014, we studied reimbursement lag in Taiwan vs. other countries, and investigated associated factors using generalized linear models (GLMs). The median reimbursement lags during before ("first-generation") and after ("second-generation") NHI drug reimbursement scheme in Taiwan were 378 and 458 days, respectively. The "first-generation" lag was shorter only than that in South Korea, whereas the "second-generation" lag only exceeded those of the United Kingdom and Japan. In GLM models, higher drug expenditure and the introduction of the "second-generation" NHI were two statistically significant parameters associated with reimbursement lag among antineoplastic and immunomodulating agents. For other drug classes, the reimbursement price proposed by pharmaceutical companies and use of price-volume agreements were two statistically significant parameters associated with longer reimbursement lags. The current reimbursement lag in Taiwan is longer than 1 year, but only longer than those of the United Kingdom and Japan. The determinants differ between drug categories. A specific review process for antineoplastic and immunomodulating drugs may expedite reimbursement. There is a clear need for systematic data collection and analysis to ascertain factors associated with reimbursement lag and thereby inform future policy making.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».