Industry sponsorship bias in cost effectiveness analysis: registry based analysis
Notice bibliographique
Résumé
OBJECTIVE: To assess the association between industry sponsorship (drug, medical device, and biotechnology companies) and cost effectiveness results in cost effectiveness analysis (CEA). DESIGN: Registry based analysis DATA SOURCE: The Tufts Cost-Effectiveness Analysis Registry was used to identify all CEAs published in Medline between 1976 and 2021. ELIGIBILITY CRITERIA FOR SELECTING STUDIES: CEAs that reported incremental cost effectiveness ratio (ICER) using quality adjusted life year and provided sufficient information about the magnitude or location of the ICER. METHODS: Descriptive analyses were used to describe and compare the characteristics of CEAs with and without industry sponsorship. Logistic regression was used to identify the association between industry sponsorship and the cost effective conclusion using selected threshold values ($50 000 (£40 511; €47 405), $100 000, and $150 000). Robust linear regression was used to assess the association between industry sponsorship and the magnitude of ICER. All regression analyses were adjusted for disease and study design characteristics. RESULTS: 8192 CEAs were eligible and included in the analysis, with 2437 (29.7%) sponsored by industry. Industry sponsored CEAs were more likely to publish ICERs below $50 000 (adjusted odds ratio 2.06, 95% confidence interval 1.82 to 2.33), $100 000 (2.95, 2.52 to 3.44), and $150 000 (3.34, 2.80 to 3.99) than non-industry sponsored studies. Among 5877 CEAs that reported positive incremental costs and quality adjusted life years, ICERs from industry sponsored studies were 33% lower (95% confidence interval -40 to -26) than those from non-industry sponsored studies. CONCLUSIONS: Sponsorship bias in CEAs is significant, systemic, and present across a range of diseases and study designs. Use of CEAs conducted by independent bodies could provide payers with more ability to negotiate lower prices. This impartiality is especially important for countries that rely on published CEAs to inform policy making for insurance coverage because of limited capacity for independent economic analysis.
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 | 0,300 | 0,607 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,008 |
| Bibliométrie | 0,009 | 0,017 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».