Reporting quality of economic evaluations of the negotiated Traditional Chinese Medicines in national reimbursement drug list of China: A systematic review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,039 | 0,118 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,010 | 0,002 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 découle