Increasing the impact of budget impact analysis: incorporating uncertainty for decision-makers in small markets
Notice bibliographique
Résumé
For decision-makers considering new medicines for reimbursement and public use, both value for money and affordability are important considerations. Whereas a cost-effectiveness model provides information about value for money, a budget impact assessment (BIA) is customized to a specific context and estimates the total investment needed; one part of affordability. Both analytic approaches have parameter uncertainty within them, yet comparatively little attention is given to parameter uncertainty in BIA. Currently, within BIA, uncertainty exploration is limited to point estimates for plausible scenarios, prompting the question: can a decision-maker be confident in point estimates? Within this paper, our intent is to revitalize the discussion of uncertainty in BIA. In the context of health technology assessments submitted to support reimbursement decision-making, we propose reliance on probabilistic sensitivity analysis conducted in the cost-effectiveness model. If assumptions made in a cost-effectiveness model are valid, probabilistic cost estimates from the model, with the same perspective adopted as the BIA, should also inform BIA. Mean and variance of population outcomes, given parameter uncertainty in model inputs, are estimable from model outputs. As sufficiently large random samples are drawn from a population, the distribution of sample means will follow an approximately normal distribution. Therefore, when drawing samples from the model to inform estimates of budget impact, the assumption of an approximately normal distribution for costs is reasonable. We propose that the variance in mean costs from the cost-effectiveness model also reflects the variance in budget impact estimates and should be used to estimate budget impact confidence intervals.
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 | 0,090 | 0,265 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,013 | 0,021 |
| Science ouverte | 0,003 | 0,009 |
| Intégrité de la recherche | 0,006 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».