Real-world evidence: experiences and challenges for decision making in Latin America
Notice bibliographique
Résumé
OBJECTIVE: The Health Technology Assessment (HTA) process aims to optimize health system funding of technologies. In recent years there has been an increase in what is known as Real-World Evidence (RWE) as a complement to clinical trials. The objective of Health Technology Assessment International's Latin American Policy Forum 2022 was to explore the utility of incorporating RWE into HTA and decision-making processes in the region. METHODS: This article is based on a background document, survey, and the deliberative work of the country representatives who participated in the Forum. RESULTS: There is a growing interest in the use of Real-World Data / Real-World Evidence in HTA processes in Latin America, although currently there are no specific local guidelines for RWE use by HTA agencies. At present, its use is limited to certain areas such as adding context to HTA reports, the evaluation of adverse events, or cost estimation.Potential future uses of RWE were identified, including the creation of risk-sharing agreements, the assessment of technology performance in routine practice, providing information on outcomes that are not so easily evaluated in clinical trials (e.g., the identification of specific subpopulations or quality of life), and the estimation of input parameters for economic evaluations. CONCLUSIONS: The participants agreed that there are several areas presenting significant potential to expand the application of RWD/RWE and that the development of normative frameworks for its use could be helpful.
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 | 0,188 | 0,196 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,011 | 0,025 |
| Communication savante | 0,029 | 0,013 |
| Science ouverte | 0,004 | 0,025 |
| Intégrité de la recherche | 0,010 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».