Considerations when applying equity weights within economic evaluation when making drug reimbursement decisions
Notice bibliographique
Résumé
When decision-makers use economic evaluation to facilitate making decisions about reimbursing whether to reimburse pharmaceuticals within a publicly funded health care system, they may consider whether to prioritise specific patient populations or diseases: e.g., cancer or rare disease. This can be achieved through applying equity weights to outcomes such as QALYs. Decision makers, however, must choose whether equity weights are applied to solely the treatment of a specific disease or to treatments of the patient with the specific disease. Without such clarification, confusion may arise which can hinder the work of those who must make reimbursement recommendations and decisions. This study examines the repercussions of implementation of equity weights. For illustration, two hypothetical case studies relating to a rare disease are considered. The first case study demonstrates that applying equity weights only to the treatment of the rare disease of interest can lead to a patient with that rare disease accruing less benefits at a higher cost to the payer. The second case study demonstrates that if equity weights are applied to the patients who have a specific rare disease, then funding of a treatment for a common disease may be restricted only to those patients for whom treatment is more costly and less effective. As discussions continue with respect to applying equity weights within economic evaluation, it is important that the repercussions outlined are recognised.
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 | 0,409 | 0,594 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,025 |
| Communication savante | 0,019 | 0,028 |
| Science ouverte | 0,009 | 0,011 |
| Intégrité de la recherche | 0,034 | 0,052 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».