Estimating the Impact of Delayed Access to Oncology Drugs on Patient Outcomes in Canada
Notice bibliographique
Résumé
INTRODUCTION: New requirements in Canada's pricing processes for patented drugs may exacerbate delays in regulatory and reimbursement reviews. This study seeks to better understand the impact of any additional delays on non-small cell lung cancer (NSCLC) patients by measuring the following: (a) durations and outcomes of regulatory and reimbursement reviews of NSCLC drugs in Canada and reference countries; (b) delays in Canada's reviews of three NSCLC drugs (nivolumab, afatinib, and pemetrexed [NAP]); and (c) estimating clinical, patient, and economic impacts of delays in Canada's reviews on access to NAP. METHODS: Information from the Context Matters database and the literature (2005-2020) was used to evaluate the durations and outcomes of reimbursement reviews of NSCLC drugs in Canada and comparator countries. Public information was used to assess delays in Canada's reviews of NAP. Empirical modeling with data from the literature and the Southern Alberta Lung Cancer database was used to estimate the impact of delays in Canada's NAP reviews on patients (i.e., as losses in person-years of life and quality-adjusted life-years [QALYs]). RESULTS: Regulatory and reimbursement reviews in countries of interest take 12-18 months. In Canada, reviews of NSCLC drugs took 216 days (median), with a 24% rejection rate (mean = 19%). Delays in NAP reviews ranged from 5 to 94 days at Health Canada, 0-80 days at CADTH/pCODR, and 12-797 days in Canadian provinces. These delays may have affected 6400 patients, who lost up to 1740 person-years of life and 1122 QALYs (valued at CA$112 million). CONCLUSION: Changes to Canada's prescription drug pricing processes may prolong reviews.
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 | 0,005 | 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) | 0,000 | 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 ».