Fifteen Lessons from Fifteen Years of the Health Intervention and Technology Assessment Program in Thailand
Notice bibliographique
Résumé
The Health Intervention and Technology Assessment Program (HITAP) was established in 2007. This article highlights 15 lessons from over 15 years of experience, noting five achievements about what HITAP has done well, five areas that it is currently working on, and five aims for work in the future. HITAP built capacity for HTA and linked research to policy and practice in Thailand. With collaborators from academic and policy spheres, HITAP has mobilized regional and global support, and developed global public goods to enhance the field of HTA. HITAP's semi-autonomous structure has facilitated these changes, though they have not been without their challenges. HITAP aims to continue its work on HTA for public health interventions and disinvestments, effectively engaging with stakeholders and strategically managing its human resources. Moving forward, HITAP will develop and update global public goods on HTA, work on emerging topics such as early HTA, address issues in digital health, real-world evidence and equity, support HTA development globally, particularly in low-income settings, and seek to engage more effectively with the public. HITAP seeks to learn from its experience and invest in the areas identified so that it can grow sustainably. Its journey may be relevant to other countries and institutions that are interested in developing HTA programs.
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 | 0,053 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,010 | 0,013 |
| Communication savante | 0,015 | 0,009 |
| Science ouverte | 0,003 | 0,018 |
| Intégrité de la recherche | 0,004 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».