MétaCan
Menu
Retour à la cohorte
Enregistrement W4410641492 · doi:10.1093/jnci/djaf100

Analysis of 2023 World Health Organization cancer Essential Medicines List and concordance with resource-stratified guidelines

2025· article· en· W4410641492 sur OpenAlexafffund
Brooke E. Wilson, Kristin Wright, Manju Sengar, Richard Sullivan, Sallie‐Anne Pearson, Michael Bartoň, Bishal Gyawali, Elisabeth G.E. de Vries, Lorenzo Moja, C.S. Pramesh

Notice bibliographique

RevueJNCI Journal of the National Cancer Institute · 2025
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEconomic and Financial Impacts of Cancer
Établissements canadiensQueen's University
Organismes subventionnairesQueen's UniversityWorld Health Organization
Mots-clésMedicineConcordanceCancerEssential medicinesHepatocellular carcinomaInternal medicineFamily medicineOncologyPublic healthPathology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: The World Health Organization (WHO) Essential Medicines List (EML) and resource-stratified guidelines both prioritize high-value medicines. We compared the 2023 EML cancer medicines list with global cancer statistics, examined the proportion of EML therapies recommended by resource-stratified guidelines, and identified gaps that merit evaluation by the WHO EML Committee. METHODS: We compared the 2023 EML medicines for adult cancers with cancer incidence and mortality data from GLOBOCAN 2022. We cross-referenced the EML with 2 resource-stratified guidelines (National Comprehensive Cancer Network [NCCN] and National Cancer Grid [NCG] of India) and evaluated preferred treatments in resource-stratified guidelines that were not recommended by the EML. RESULTS: The 2023 EML included 64 cancer medicines for 219 tumor-specific indications. The greatest number of medicines are listed for leukemia (37/219 [17%]) and lymphoma (33/219 [15%]). Although some common cancers (eg, hepatocellular carcinoma) have no EML-listed medicines because of the low clinical benefit, we identified some cancers (eg, esophageal, gastric) with effective therapies that the EML Committee should evaluate for inclusion. Cancers with no listed medicines make up 34% of cancer deaths globally. Among EML indications with an NCCN resource-stratified guideline, 42% (35/84) and 73% (62/84) were recommended by the NCCN Basic and Core Guidelines, respectively. Among EML indications with an NCG resource-stratified guideline, 163 of 196 (83%) and 175 of 196 (89%) were recommended by the NCG Essential and Optimal guidelines, respectively. CONCLUSIONS: We identified some effective medicines that should be evaluated for inclusion in the WHO EML. Prioritization of cancer medicines was similar between the EML and NCG India but discordant between with NCCN resource-stratified guideline.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,263
Score d'incertitude au seuil0,605

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,050
Tête enseignante GPT0,336
Écart entre enseignants0,286 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJNCI Journal of the National Cancer InstituteMême sujetEconomic and Financial Impacts of CancerTravaux en français237 207