Uptake of oncology-related biosimilars: a global analysis of usage data
Notice bibliographique
Résumé
BACKGROUND: Biologics have greatly improved cancer management but are costly. Biosimilars cost less and have no clinically meaningful differences compared to reference products. However, they are not identical, leading to hesitation among clinicians and patients to use them. OBJECTIVE: To measure the uptake of oncology-related biosimilars versus reference products in the USA and countries with similar regulatory frameworks. METHODS: We conducted a cross-sectional sales analysis from 13 countries between October 2022 and September 2023 for five oncology-related biologics with biosimilars: bevacizumab, filgrastim, pegfilgrastim, rituximab, and trastuzumab. We used IQVIA MIDAS® data on country-level quarterly sales volume and value. RESULTS: Among the 13 countries, the USA ranked tenth in the proportion of oncology-related biosimilar uptake by units sold (75% versus median 86%) and spending (58% versus 76%). Biosimilar uptake in the USA was 84% for filgrastim (versus 95%), 83% for bevacizumab (versus 86%), 75% for rituximab (versus 93%), 70% for trastuzumab (versus 70%), and 44% for pegfilgrastim (versus 83%). The USA spent USD $8.4 billion on these biologics during the study period. European countries including Norway, Italy, and Sweden had the highest uptake, while New Zealand, Japan, and Belgium had the lowest. Across countries, biosimilar filgrastim had the highest uptake (95% of units) and trastuzumab the lowest (70%). CONCLUSIONS: Oncology-related biosimilar uptake in the USA was below-average among included countries. Increasing biosimilar uptake may reduce spending, and savings can be reinvested into cancer care. Future research on time trends can help assess barriers and enablers of biosimilar uptake across countries.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».