Patterns of Infliximab Biosimilar Uptake for Medicare, Medicaid, and Private Insurance from 2016 to 2022
Notice bibliographique
Résumé
OBJECTIVE: Biosimilars have the potential to reduce spending on biologic drugs, yet uptake has been slower than anticipated. We investigated how successive introductions of infliximab biosimilars influenced their adoption by major US insurance providers. METHODS: Data came from the Rheumatology Informatics System for Effectiveness, a national registry with electronic health records from more than 1,100 US rheumatologists. All infliximab administrations (bio-originator or biosimilar) to patients aged ≥18 years from April 2016 to September 2022 were included. We used an interrupted time series to model the effect of each infliximab biosimilar release (infliximab-dyyb, November 2016; infliximab-adba, July 2017; and infliximab-axxq, July 2020) on uptake across Medicare, Medicaid, and private insurers. RESULTS: With the first and second biosimilar releases, biosimilar uptake rose slowly, with average annual increases of ≤5% from 2016 to June 2020 (Medicare 3.2%, Medicaid 5.2%, and private insurance 1.8%). With the third biosimilar release in July 2020, the average annual increase reached 13% for Medicaid and 16.4% for private insurance but remained low for Medicare (5.6%). By September 2022, uptake was higher for Medicaid (43.8%) and private insurance (38.5%) than for Medicare (24%). CONCLUSION: Our results have two key findings for policy makers. First, our results suggest that one or two biosimilars may not generate enough competition to speed adoption rates for biosimilars. Second, Medicare, which covers most patients receiving biologics nationally, had slow adoption rates even after the third biosimilar was introduced. Policy levers to speed adoption among Medicare beneficiaries are needed.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».