MétaCan
Menu
Retour à la cohorte
Enregistrement W4388204217 · doi:10.1200/op.2023.19.11_suppl.149

Who goes first? Patterns of cancer drug approvals across four major regulatory authorities: EMA, FDA, Health Canada, and PMDA.

2023· article· en· W4388204217 sur OpenAlexaffabout
Jeremy L. Warner, Sanjay Mishra, Matthew J. Hadfield, Bishal Gyawali, Andrew J. Cowan, Ali Raza Khaki, Samantha Gage, Mark F. Lythgoe

Notice bibliographique

RevueJCO Oncology Practice · 2023
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiquePharmaceutical Economics and Policy
Établissements canadiensQueen's University
Organismes subventionnairesNational Institutes of Health
Mots-clésMedicineDrug approvalMarketing authorizationAuthorizationDrugRegulatory agencyCancer drugsRegulatory scienceOrphan drugPharmacologyAgency (philosophy)Food and drug administrationPublic administrationPolitical scienceBioinformatics

Résumé

récupéré en direct d'OpenAlex

149 Background: New anticancer therapies have led to substantial improvements in prognosis across many cancers. Commercial access to a drug is not possible until the drug has received regional regulatory authority market authorization. In prior work (1), we found that European Medicines Agency (EMA) drug approvals frequently lagged US Food and Drug Administration (FDA) approvals from 2010-2019. Here, we expand the analytic time period to 2004-2023 and include two additional regulatory agencies – Health Canada (HC) and Japan’s Pharmaceuticals and Medical Devices Agency (PMDA). Methods: Drugs with an anticancer indication and first global approval from 2004-2023 were preliminarily identified. Only drugs with an approval by all 4 regulators were included. For each drug, the first and last regulator’s initial approval dates were determined, and the interval between first and last approval was calculated. For drugs approved by all 4 regulators within 1 year (y), it was further determined whether they were considered first-in-class. Results: 209 drugs met the preliminary criteria, and 98 (47%) had approvals by all 4 regulators. The FDA was most commonly the first to approve (84 drugs), followed by PMDA (9 drugs), then EMA (5 drugs); HC was never first to approve. 43 of the FDA-first approvals (51%) were by the accelerated approval (AA) pathway; none of the EMA-first approvals were on the conditional marketing pathway. PMDA was most commonly the last to approve (62 drugs), followed by HC (21 drugs), the EMA (14 drugs), then the FDA (1 drug). The median (IQR) time between first and last regulator’s first approval was 2.4 y (1.3-3.5 y). Some drugs had >5 y between first and last regulator’s approval (Table 1). Conversely, only 16 drugs were approved by all regulators within 1 y, and only 1 drug (isatuximab) was approved by all within 6 months. Of the 16 drugs approved within 1 y by all regulators, 6 (37.5%) were first-in-class: asciminib, elotuzumab, idecabtagene vicleucel, inotuzumab ozogamicin, sotorasib, and trastuzumab emtansine. Conclusions: This study shows that patients with cancer in the US usually have access to new cancer drugs earlier than those in Europe, Japan, and Canada, at least in part due to AA pathways. Less than 8% of newly approved cancer therapies are approved by all 4 regulatory agencies within 1 y of first approval, with a lengthy median first-to-last delay that could exceed the life expectancy of many patients with advanced cancer. Greater global regulatory collaboration in the approval of new anticancer drugs is essential to ensure patients have aligned and coordinated access. (1) Lythgoe et al. JAMA Network Open 2022.[Table: see text]

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,018
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Évaluation · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,995
Score d'incertitude au seuil0,458

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,018
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0060,008
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,073
Tête enseignante GPT0,376
Écart entre enseignants0,303 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeObservationnel
DomaineÉvaluation
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJCO Oncology PracticeMême sujetPharmaceutical Economics and PolicyTravaux en français237 207