Developing Recommendations to Guide Future Evidence Generation, Evidence Synthesis, and Knowledge Translation for Rare Diseases
Notice bibliographique
Résumé
Introduction: The scarcity of rigorous evidence regarding rare disease therapies contributes to uncertainty for stakeholders who make decisions about the use, prescription, or funding of such therapies. My dissertation objective was to integrate stakeholder perspectives and evidence related to how rare disease therapies are evaluated to better understand drivers of uncertainty in decision making and develop an evaluation framework for future evidence generation, synthesis, and decision support. Methods: To better understand the perceived challenges in generating robust treatment effectiveness evidence, and describe various methods for mitigating these challenges, I used a meta-narrative literature review. I also conducted focus group interviews with key rare disease stakeholders (patients/caregivers, physicians, and policy advisors) to elicit different perspectives on how evidence is generated, evaluated, and synthesized in the context of health care decision making, both at a personal and population level. Finally, I integrated the focus group findings with a targeted literature review to identify characteristics of rare diseases and their candidate therapies that may warrant special consideration in health technology assessment (HTA) and health care decision making. Findings: My dissertation data revealed three fundamental challenges in generating robust treatment effectiveness evidence for rare diseases: limitations in recruiting a sufficient sample; inability to account for clinical heterogeneity; and reliance on outcomes with unclear clinical relevance. Several methodological solutions have been proposed to overcome these challenges. In addition, study participants described different perspectives on how they choose to participate in and use research in their roles as health care users, care providers, and policy advisors. Notably, conventional wisdom that patients/caregivers participate in clinical research studies because of therapeutic misconception was not supported. Finally, focus group and literature review findings identified information that potentially warrants special consideration in future HTA specific to rare diseases, including characteristics of the disease, understanding of causal hypotheses relevant to the therapy, and complexities of cost-effectiveness given the high price of many rare disease therapies. Discussion: Together, the findings from this dissertation support an evaluation framework with eight key principles that aim to mitigate important aspects of uncertainty from various stakeholder perspectives and promote evidence-informed decision making about rare disease therapies.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,487 | 0,824 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,005 |
| Méta-épidémiologie (sens large) | 0,009 | 0,015 |
| Bibliométrie | 0,025 | 0,019 |
| Études des sciences et des technologies | 0,007 | 0,011 |
| Communication savante | 0,037 | 0,038 |
| Science ouverte | 0,017 | 0,022 |
| Intégrité de la recherche | 0,037 | 0,033 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,028 | 0,014 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».