Expanding access to high-cost medicines under the Universal Health Coverage scheme in Thailand: review of current practices and recommendations
Notice bibliographique
Résumé
BACKGROUND: There has been an increasing demand to reimburse high-cost medicines, through public health insurance schemes in Thailand. METHODS: A mixed method approach was employed. First, a rapid review of select high-income countries was conducted, followed by expert consultations and an in-depth review of three countries: Australia, England and Republic of Korea to understand reimbursement mechanisms of high-cost medicines. In Thailand, current pathways for reimbursing high-cost medicines reviewed, the potential opportunity cost estimated, and stakeholder consultations were conducted to identify context specific considerations. RESULTS: High-income countries reviewed have implemented a variety of pathways and mechanisms for reimbursing high-cost medicines under specific eligibility criteria, listing processes, varying cost-effectiveness thresholds and special funding arrangements. In Thailand, high-cost medicines that do not offer good value-for-money are excluded from the reimbursement process. A framework for reimbursing high-cost medicines that are not cost-effective at the current willingness-to-pay threshold was proposed for Thailand. Under this framework, specific criteria are proposed to determine their eligibility for reimbursement such life-saving nature, treatment of conditions with no alternative treatment options, and affordability. CONCLUSION: High-cost medicines may become eligible for reimbursement through alternative mechanisms based on specific criteria which depend on each context. The application of HTA methods and processes is important in guiding these decisions to support sustainable access to affordable healthcare in pursuit of Universal Health Coverage (UHC).
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 | 0,029 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».