Trends in drug revenue among major pharmaceutical companies: A 2010‐2019 cohort study
Notice bibliographique
Résumé
BACKGROUND: Over the past 2 decades there has been a substantial increase in the number of new cancer medicines; this has been accompanied by a dramatic rise in drug costs. It is unknown how these trends impact the revenue of the pharmaceutical sector. METHODS: Retrospective cohort study to characterize temporal trends of revenue generated from cancer medicines as a proportion of total drug revenue among 10 large pharmaceutical companies from 2010 to 2019. Itemized product-sales data publicly available through company websites or annual filings were used to identify annual drug revenue. Revenue data were adjusted for inflation and converted to 2019 US dollars. RESULTS: During the study period, cumulative annual revenue generated from cancer drugs increased by 70%: from $55.8 billion to $95.1 billion, while cumulative revenue from nononcology drugs decreased 18%: from $342.2 billion to $281.5 billion. The proportion of total drug revenue generated from oncology drugs increased substantially over the study period: from 14% in 2010 to 25% in 2019 (τ = 1.0, P < .001). CONCLUSIONS: Among 10 of the world's largest pharmaceutical companies, revenues generated from the sale of cancer drugs have increased by 70% over the past decade, while revenues from other medicines have decreased by 18%. Revenues from cancer drugs now account for one-quarter of the net revenues from these companies. Further work is needed to understand if this increase in sales revenue reflects industry profit, and to what extent increased spending has translated into improvements in patient and population outcomes.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,004 | 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 ».