The Impact of Upcoming Treatments in Huntington’s Disease: Resource Capacity Limitations and Access to Care Implications
Notice bibliographique
Résumé
BACKGROUND: The most advanced disease-modifying therapies (DMTs) in development for Huntington's disease (HD) require intrathecal (IT) administration, which may create or exacerbate bottlenecks in resource capacity. OBJECTIVE: To understand the readiness of healthcare systems for intrathecally administered HD DMTs in terms of resource capacity dynamics and implications for patients' access to treatment. METHODS: Forty HD centres across 12 countries were included. Qualitative and quantitative data on current capacity in HD centres and anticipated capacity needs following availability of a DMT were gathered via interviews with healthcare professionals (HCPs). Data modelling was used to estimate the current capacity gap in HD centres. RESULTS: From interviews with 218 HCPs, 25% of HD centres are estimated to have the three components required for IT administration (proceduralists, nurses and facilities). On average, 114 patients per centre per year are anticipated to receive intrathecally administered DMTs in the future. At current capacity, six of the sampled centres are estimated to be able to deliver DMTs to all the anticipated patients based on current resources. The estimated waiting time for IT administration at current capacity will average 60 months (5 years) by the second year after DMT availability. CONCLUSION: Additional resources are needed in HD centres for future DMTs to be accessible to all anticipated patients. Timely collaboration by the HD community will be needed to address capacity gaps. Healthcare policymakers and payers will need to address costs and navigate challenges arising from country- or region-specific healthcare delivery schemes.
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 | 0,000 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».