Health Preference Research in Europe: A Review of Its Use in Marketing Authorization, Reimbursement, and Pricing Decisions—Report of the ISPOR Stated Preference Research Special Interest Group
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: This study examines European decision makers' consideration and use of quantitative preference data. METHODS: The study reviewed quantitative preference data usage in 31 European countries to support marketing authorization, reimbursement, or pricing decisions. Use was defined as: agency guidance on preference data use, sponsor submission of preference data, or decision-maker collection of preference data. The data could be collected from any stakeholder using any method that generated quantitative estimates of preferences. Data were collected through: (1) documentary evidence identified through a literature and regulatory websites review, and via key opinion leader outreach; and (2) a survey of staff working for agencies that support or make healthcare technology decisions. RESULTS: Preference data utilization was identified in 22 countries and at a European level. The most prevalent use (19 countries) was citizen preferences, collected using time-trade off or standard gamble methods to inform health state utility estimation. Preference data was also used to: (1) value other impact on patients, (2) incorporate non-health factors into reimbursement decisions, and (3) estimate opportunity cost. Pilot projects were identified (6 countries and at a European level), with a focus on multi-criteria decision analysis methods and choice-based methods to elicit patient preferences. CONCLUSION: While quantitative preference data support reimbursement and pricing decisions in most European countries, there was no utilization evidence in European-level marketing authorization decisions. While there are commonalities, a diversity of usage was identified between jurisdictions. Pilots suggest the potential for greater use of preference data, and for alignment between decision makers.
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.
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 | 0,036 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle