Use of real-world evidence in cancer drug funding decisions in Canada: a qualitative study of stakeholders’ perspectives
Notice bibliographique
Résumé
BACKGROUND: Real-world evidence (RWE) can provide postmarket data to inform whether funded cancer drugs yield expected outcomes and value for money, but it is unclear how to incorporate RWE into Canadian cancer drug funding decisions. As part of the Canadian Real-World Evidence Value for Cancer Drugs (CanREValue) Collaboration, this study aimed to explore stakeholder perspectives on the current state of RWE in Canada to inform a Canadian framework for use of RWE in cancer drug funding decisions. METHODS: This was a qualitative descriptive study. Qualitative semistructured interviews were conducted from April to July 2018. Participants were Canadian and international stakeholders who had experience with RWE and drug funding decision-making. Thematic analysis was used to analyze data. RESULTS: Thirty stakeholders participated in the study. Five themes were identified. Stakeholders indicated that RWE had value in cancer drug funding decisions. However, a cultural shift is needed to adopt RWE in decision-making. Further, the Canadian infrastructure for real-world data is currently inadequate for decision-making, and there is a need for committed investment in building capacity to collect and analyze RWE. Finally, there is a need for increased collaboration among key stakeholders. INTERPRETATION: The findings of this study suggest that if RWE is to be used in drug funding decisions, there is a need for a cultural shift, improved data infrastructure, committed investment in capacity building and increased stakeholder collaboration. Together with local stakeholder engagement, application of these findings may contribute to optimizing implementation of RWE.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».