Forecasting essential childhood cancer drug need: An innovative model‐based approach
Notice bibliographique
Résumé
Background Childhood cancer outcomes in low‐income and middle‐income countries have not kept pace with advances in care and survival in high‐income countries. A contributing factor to this survival gap is unreliable access to essential drugs. Methods The authors created a tool (FOR x ECAST) capable of predicting drug quantity and cost for 18 pediatric cancers. FOR x ECAST enables users to estimate the quantity and cost of each drug based on local incidence, stage breakdown, treatment regimen, and price. Two country‐specific examples are used to illustrate the capabilities of FOR x ECAST to predict drug quantities. Results On the basis of domestic public‐sector price data, the projected annual cost of drugs to treat childhood cancer cases is 0.8 million US dollars in Kenya and 3.0 million US dollars in China, with average median price ratios of 0.9 and 0.1, respectively, compared with costs sourced from the Management Sciences for Health (MSH) International Medical Products Price Guide . According to the cumulative chemotherapy cost, the most expensive disease to treat is acute lymphoblastic lymphoma in Kenya, but a higher relative unit cost of methotrexate makes osteosarcoma the most expensive diagnosis to treat in China. Conclusions FOR x ECAST enables needs‐based estimates of childhood cancer drug volumes to inform health system planning in a wide range of contexts. It is broadly adaptable, allowing decision makers to generate results specific to their needs. The resultant estimates of drug need can help equip policymakers and health governance institutions with evidence‐informed data to advance innovative procurement strategies that drive global improvements in childhood cancer drug access.
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 | 0,000 |
| 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) | 0,001 | 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 ».