Framework for Drug Formulary Decision Using Multiple-Criteria Decision Analysis
Notice bibliographique
Résumé
Background. Reviewing drugs to determine coverage or reimbursement level is a complex process that involves significant time and expertise. Review boards gather evidence from the submission provided, input from clinicians and patients, and results of clinical and economic reviews. This information consists of assessments on multiple criteria that often conflict with one another. Multiple-criteria decision analysis (MCDA) includes methods to address complex decision making problems with conflicting objectives and criteria. We propose an MCDA approach that infers a utility model based on reviews of previously submitted drugs. Methods. We use a recent extension of the UTilitiés Additives DIScriminantes approach, UTADIS GMS . This disaggregation approach deconstructs a portfolio of elements such as a set of drugs that have been reviewed and for which a decision has been made. It derives global and marginal utility functions that are consistent with the preferences exhibited by the review boards in their recommendations. We apply the method to oncology drugs reviewed in Canada between 2011 and 2017. We also illustrate how to conduct scenario analyses and predict the coverage decisions for new drugs. Results. Applying the method yields a utility value for each submission along with a set of thresholds that partition the utility values based on the submission outcomes. Scenario analyses illustrate the predictive ability of the method. Conclusion. Preference disaggregation is an indirect way of eliciting an additive global utility value function. It requires less of a cognitive effort from the decision making bodies because it infers preferences from the data rather than relying on direct assessments of model parameters. We illustrate how it can be applied to validate existing decisions and to predict the recommendation of a new drug.
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 | 0,019 | 0,115 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».