MétaCan
Menu
Retour à la cohorte
Enregistrement W4399024288 · doi:10.1093/oso/9780197512883.002.0005

Preface

2021· book-chapter· en· W4399024288 sur OpenAlexaboutno aff
Neumann Peter J., Cohen Joshua T., Ollendorf Daniel A

Notice bibliographique

Revuenon disponible
Typebook-chapter
Langueen
DomaineEconomics, Econometrics and Finance
ThématiquePharmaceutical Economics and Policy
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésComputer science

Résumé

récupéré en direct d'OpenAlex

The pharmaceutical industry and its pricing methods provide an inviting target, easy to disparage and caricature. Even after accounting for discounts and rebates, average prices of leading brand-name drugs in the United States are two to four times higher than they are in Canada, Japan, and many European countries.1 US per capita spending on prescription drugs is more than twice the level in the United Kingdom.2,3 Prices for most new cancer drugs now exceed $100,000 per patient per year of treatment, despite the fact that many of these treatments seem to offer modest gains in life expectancy or lack such evidence at all.4,5 With the advent of ever more targeted and powerful treatments, including cell- and gene-based therapies with multimillion dollar price tags, the need for sensible drug pricing and coverage policies will intensify. Despite the controversies, there are few if any books dedicated to the question of what is a “fair” or “reasonable” drug price and how to think about the question. To be sure, the bookshelves fairly groan with works critical of pharmaceutical company practices, asserting or implying that drugs often deliver poor value for the money. Notable examples in the past decade or so include Protecting America’s Health6; Overdosed America: The Broken Promise of American Medicine7; Powerful Medicines: The Benefits, Risks, and Costs of Prescription Drugs8; The Truth About Drug Companies: How They Deceive Us and What to Do About It9; Selling Sickness: How the World’s Biggest Pharmaceutical Companies Are Turning Us All Into Patients10; Bad Pharma: How Drug Companies Mislead Doctors and Harm Patients11; Ending Medical Reversal: Improving Outcomes, Saving Lives12; An American Sickness: How Healthcare Became Big Business and How You Can Take it Back13; and PhRMA: Greed, Lies and the Poisoning of America.14 Such accounts tend to highlight examples of disreputable behaviors and devote considerable attention to industry-wide reforms, rather than how to consider the costs and benefits of individual drug therapies.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,262
Score d'incertitude au seuil0,000

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0020,001
Communication savante0,0040,003
Science ouverte0,0010,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,7380,583

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.

Tête enseignante Opus0,104
Tête enseignante GPT0,272
Écart entre enseignants0,168 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetPharmaceutical Economics and PolicyTravaux en français237 207