Health technology assessment and innovation: here to help or hinder?
Notice bibliographique
Résumé
Innovative health technologies offer much to patients, clinicians, and health systems. Policy makers can, however, be slow to embrace innovation for many reasons, including a less robust body of evidence, perceived high costs, and a fear that once technologies enter the health system, they will be difficult to remove. Health technology funding decisions are usually made after a rigorous health technology assessment (HTA) process, including a cost analysis. However, by focusing on therapeutic value and cost-savings, the traditional HTA framework often fails to capture innovation in the assessment process. How HTA defines, evaluates, and values innovation is currently inconsistent, and it is generally agreed that by explicitly defining innovation would recognize and reward and, in turn, stimulate, encourage, and incentivize future innovation in the system. To foster innovation in health technology, policy needs to be innovative and utilize other HTA tools to inform decision making including horizon scanning, multicriteria decision analysis, and funding mechanisms such as managed agreements and coverage with evidence development. When properly supported and incentivized, and by shifting the focus from cost to investment, innovation in health technology such as genomics, point-of-care testing, and digital health may deliver better patient outcomes. Industry and agency members of the Health Technology Assessment International Asia Policy Forum (APF) met in Taiwan in November 2023 to discuss the potential of HTA to foster innovation, especially in the Asia region. Discussions and presentations during the 2023 APF were informed by a background paper, which forms the basis of this paper.
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 | 0,233 | 0,291 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,003 |
| Bibliométrie | 0,009 | 0,011 |
| Études des sciences et des technologies | 0,011 | 0,056 |
| Communication savante | 0,040 | 0,083 |
| Science ouverte | 0,006 | 0,027 |
| Intégrité de la recherche | 0,053 | 0,055 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,004 |
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 ».