New Anticancer Drugs: Reliably Assessing “Value” While Addressing High Prices
Notice bibliographique
Résumé
Countries face challenges in paying for new drugs. High prices are driven in part by exploding drug development costs, which, in turn, are driven by essential but excessive regulation. Burdensome regulation also delays drug development, and this can translate into thousands of life-years lost. We need system-wide reform that will enable less expensive, faster drug development. The speed with which COVID-19 vaccines and AIDS therapies were developed indicates this is possible if governments prioritize it. Countries also differ in how they value drugs, and generally, those willing to pay more have better, faster access. Canada is used as an example to illustrate how "incremental cost-effectiveness ratios" (ICERs) based on measures such as gains in "quality-adjusted life-years" (QALYs) may be used to determine a drug's value but are often problematic, imprecise assessments. Generally, ICER/QALY estimates inadequately consider the impact of patient crossover or long post-progression survival, therapy benefits in distinct subpopulations, positive impacts of the therapy on other healthcare or societal costs, how much governments willingly might pay for other things, etc. Furthermore, a QALY value should be higher for a lethal or uncommon disease than for a common, nonlethal disease. Compared to international comparators, Canada is particularly ineffective in initiating public funding for essential new medications. Addressing these disparities demands urgent reform.
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 | 0,023 | 0,123 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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.
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 ».