A tailored approach to horizon scanning for cancer medicines
Notice bibliographique
Résumé
BACKGROUND: Horizon scanning (HS) is the systematic identification of emerging therapies to inform policy and decision-makers. We developed an agile and tailored HS methodology that combined multi-criteria decision analysis weighting and Delphi rounds. As secondary objectives, we aimed to identify new medicines in melanoma, non-small cell lung cancer and colorectal cancer most likely to impact the Australian government's pharmaceutical budget by 2025 and to compare clinician and consumer priorities in cancer medicine reimbursement. METHOD: Three cancer-specific clinician panels (total n = 27) and a consumer panel (n = 7) were formed. Six prioritisation criteria were developed with consumer input. Criteria weightings were elicited using the Analytic Hierarchy Process (AHP). Candidate medicines were identified and filtered from a primary database and validated against secondary and tertiary sources. Clinician panels participated in a three-round Delphi survey to identify and score the top five medicines in each cancer type. RESULTS: The AHP and Delphi process was completed in eight weeks. Prioritisation criteria focused on toxicity, quality of life (QoL), cost savings, strength of evidence, survival, and unmet need. In both curative and non-curative settings, consumers prioritised toxicity and QoL over survival gains, whereas clinicians prioritised survival. HS results project the ongoing prevalence of high-cost medicines. Since completion in October 2021, the HS has identified 70 % of relevant medicines submitted for Pharmaceutical Benefit Advisory Committee assessment and 60% of the medicines that received a positive recommendation. CONCLUSION: Tested in the Australian context, our method appears to be an efficient and flexible approach to HS that can be tailored to address specific disease types by using elicited weights to prioritise according to incremental value from both a consumer and clinical perspective. POLICY SUMMARY: Since HS is of global interest, our example provides a reproducible blueprint for adaptation to other healthcare settings that integrates consumer input and priorities.
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 | 0,046 | 0,057 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,003 | 0,012 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,002 |
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 ».