Decision Frameworks for Assessing Cost-Effectiveness Given Previous Nonoptimal Decisions
Notice bibliographique
Résumé
IntroductionEconomic evaluations identify the best course of action by a decision maker with respect to the level of health within the overall population. Traditionally, they identify 1 optimal treatment choice. In many jurisdictions, multiple technologies can be covered for the same heterogeneous patient population, which limits the applicability of this framework for directly determining whether a new technology should be covered. This article explores the impact of different decision frameworks within this context.MethodsThree alternate decision frameworks were considered: the traditional normative framework in which only the optimal technology will be covered (normative); a commonly adopted framework in which the new technology is recommended for reimbursement only if it is optimal, with coverage of other technologies remaining as before (current); and a framework that assesses specifically whether coverage of the new technology is optimal, incorporating previous reimbursement decisions and the market share of current technologies (positivist). The implications of the frameworks were assessed using a simulated probabilistic Markov model for a chronic progressive condition.ResultsResults illustrate how the different frameworks can lead to different reimbursement recommendations. This in turn produces differences in population health effects and the resultant price reductions required for covering the new technology.ConclusionBy covering only the optimal treatment option, decision makers can maximize the level of health across a population. If decision makers are unwilling to defund technologies, however, the second best option of adopting the positivist framework has the greatest relevance with respect to deciding whether a new technology should be covered.HighlightsTraditionally, economic evaluations focus on identifying the optimal treatment choice.This paper considers three alternative decision frameworks, within the context of multiple technologies being covered for the same heterogeneous patient population.This paper highlight that if decision makers are unwilling to defund therapies, current approaches to assessing cost effectiveness may be non-optimal.
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 | 0,065 | 0,139 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,005 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 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 ».