Healthcare consumers’ perceptions of incentive-linked prescribing: A scoping review
Notice bibliographique
Résumé
Incentive-linked prescribing (ILP) is considered a controversial practice universally. If incentivised, physicians may prioritise meeting pharmaceutical sales targets through prescriptions, rather than considering patients' health and wellbeing. Despite the potential harms of ILP to patients and important stakeholders in the healthcare system, healthcare consumers (HCCs) which include patients and the general public often have far less awareness about the practice of pharmaceutical incentivisation of physicians. We conducted a scoping review to explore what existing research says about HCCs' perceptions of the financial relationship between physicians and pharmaceutical companies. To conduct this scoping review, we followed Arksey and O'Malley's five-stage framework: identifying research questions, identifying relevant studies, selecting eligible studies, data charting, and collating, summarising, and reporting results. We also used the Preferred Reporting Items for Systematic Reviews and Meta-Analyses' extension for scoping reviews (PRISMA-ScR), as a guide to organise the information in this review. Quantitative and qualitative studies with patients and the general public, published in the English language were identified through searches of Scopus, Medline (OVID), EMBASE (OVID), and Google Scholar. Three themes emerged through the analysis of the 13 eligible studies: understanding of incentivisation, perceptions of hazards linked to ILP, and HCCs' suggestions to address it. We found documentation that HCCs exhibited a range of knowledge from good to insufficient about the pharmaceutical incentivisation of physicians. HCCs perceived several hazards linked to ILP such as a lack of trust in physicians and the healthcare system, the prescribing of unnecessary medications, and the negative effect on physicians' reputations in society. In addition to strong regulatory controls, it is critical that physicians self-regulate their behaviour, and publicly disclose if they have any financial ties with pharmaceutical companies. Doing so can contribute to trust between patients and physicians, an important part of patient-focused care and a contributor to user confidence in the wider health system.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».