The value-for-money assessment and funding arrangements for high-priced drugs in an era of uncertainty: a comparative analysis of national health technology assessment agencies in South Korea, England, Australia, and Canada
Notice bibliographique
Résumé
BACKGROUND: Innovative health technologies have increasingly emerged as a promising solution for patients with untreatable or challenging conditions. However, these technologies often come with expensive costs and limited evidence at the time of launch. This study assessed how these high-priced drugs with limited evidence were appraised and introduced in South Korea, England, Australia, and Canada, where cost-effectiveness analysis (CEA) generally plays a central role in pricing and reimbursement decisions. METHODS: The study analysed 22 high-priced drugs (24 indications) introduced in South Korea, which were granted CEA waivers due to difficulties in evidence generation and high unmet needs. Data, including funding arrangements and evidence assessed, were derived from national health technology assessment (HTA) documents and other public domains in the four countries. RESULTS: Nearly all drugs received positive recommendations, largely through managed entry agreements (MEAs), particularly in England. Single-arm trials were more common in South Korea and England. Indirect comparison was the primary source of comparative effectiveness in England (70.0%), emphasising alignment with current practices. Australia and Canada utilised both indirect comparison and head-to-head trial data in similar proportions. Except for South Korea, all countries still required CEA data for these drugs. Data collection for coverage with evidence development was necessary in 55.0% of cases in England, and less in other countries. CONCLUSION: HTA agencies increasingly accept the uncertainty of high-priced drugs with high unmet needs through MEAs. To ensure timely access and value for money, implementing full value assessment and uncertainty management, while strengthening national and international collaboration for effective data collection, is imperative.
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 | 0,040 | 0,140 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,009 | 0,016 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,006 | 0,002 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».