Reporting quality of economic evaluations of the negotiated Traditional Chinese Medicines in national reimbursement drug list of China: A systematic review
Notice bibliographique
Résumé
Background: Traditional Medicine (TM) has a wide uptake in most countries. In China, Traditional Chinese Medicine (TCM) is a common kind of primary health because of its beneficial effects. This review aimed to appraise the publication reporting quality of economic evaluations for selective TCM in the National Reimbursement Drug List (NRDL), Version 2020, based on the Consolidated Health Economic Evaluation Reporting Standards (CHEERS) statement. Methods: Electronic databases were searched for economic evaluation that supported the TCM negotiations in NRDL (2020 version) published from 2001 to 2021, including PubMed, Web of Science, Embase, CNKI, WanFang, and SinoMed. The CHEERS statement was used to appraise the reporting quality of included TCM economic evaluations. Results: A total of 360 articles were retrieved, but only 38 economic evaluations met the inclusion criteria. None of the articles reported all items in the CHEERS checklist. The mean score of included articles is low at 10.93±2.62, with an average scoring rate of 51.31±10.53%. The least reported items included: "Characterizing heterogeneity," "Conflicts of interest", "Discount rate," and "Study perspective," with a reporting rate of 0.00%, 5.26%, 7.89%, and 15.79%, respectively. Conclusion: An upward trend occurred in the quantity and quality of the economic evaluation publications of TCM in China. TCM economic evaluations are still at an early stage, with an urgent need for improving reporting quality. It may result from research experiences or different ideas between TCM and Western Medicine. Adhering to reporting guidelines like CHEERS and educating economic evaluation investigators can improve TCM economic evaluations' reporting quality.
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 | 0,133 | 0,410 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,009 |
| Bibliométrie | 0,017 | 0,017 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».