Do Reimbursement Recommendations by the Canadian Agency for Drugs and Technology in Health Translate Into Coverage Decisions for Orphan Drugs in the Canadian Province of Ontario?
Notice bibliographique
Résumé
OBJECTIVES: Unlike other high-income countries, Canada has no national policy for drugs treating rare diseases (orphan drugs). Nevertheless, in 2022, the Canadian government committed to creating a national strategy to make access to these drugs more consistent. Our aim was to study whether recommendations made by the Canadian Agency for Drugs and Technology in Health (CADTH) translated into coverage decisions for orphan drugs in Ontario, the largest Canadian province. This study is the first to look at this question for orphan drugs, which are at the center of policy attention. METHODS: We included 155 orphan drug-indication pairs approved and marketed in Canada between October 2002 and April 2022. Cohen's kappa was used to test the agreement across health technology assessment (HTA) recommendations and coverage decisions in Ontario. Logistic regression was used to test which factors, relevant to decision-makers, might be associated with funding in Ontario. RESULTS: We found only fair agreement between CADTH's recommendations and coverage decisions in Ontario. Although a positive and statistically significant association between favorable HTA recommendations and coverage was found, more than half of the drugs with a negative HTA recommendation were available in Ontario, predominately through specialized funds. Successful pan-Canadian pricing negotiations were a strong predictor of coverage in Ontario. CONCLUSIONS: Despite efforts to harmonize access to drugs across Canada, considerable room for improvement remains. Introducing a national strategy for orphan drugs could help increase transparency, consistency, promote collaborations, and make access to orphan drugs a national priority.
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 | 0,033 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».