A method to identify prescription drug targets for health technology reassessment
Notice bibliographique
Résumé
INTRODUCTION: The simultaneous existence of low-value health care and underutilization of high-value care are global problems. Health technology reassessment (HTR) aims to optimize the value for money of technologies already in use within health care. Identifying candidate interventions for HTR remains challenging. Therefore, we tested a novel method to identify candidate outpatient prescription drugs for HTR through practice variation. METHODS: We used administrative data for all publicly funded outpatient prescriptions dispensed to persons aged 65 or older in Alberta in 2023. Through quantitative comparison of funnel plots for Anatomic Therapeutic Chemical (ATC) classes at the fourth level stratified by prescriber specialty, variation in prescription dispensation rates between prescribers was used to estimate three outcomes: the number of prescribers affected, the number of patients affected, and the potential budgetary impact. We ranked combinations of ATC class and prescriber specialty in descending order for each outcome, with use above and below the mean considered separately. RESULTS: We analyzed data on 17.5 million dispensations, encompassing more than 8,000 prescribers and approximately 600,000 patients. The top ATC class-prescriber specialty combinations for each outcome showed high similarity above and below control limits while exhibiting minimal overlap between outcomes. CONCLUSIONS: Our method successfully identified ATC class-prescriber specialty combinations with marked variation in use, for potential advancement through the HTR process. Depending on the perspective of those undertaking HTR of prescription drugs, different outcomes may be useful in technology prioritization. To make the ATC class-prescriber specialty combinations actionable, future efforts should focus on exploring the patients affected.
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 | 0,017 | 0,097 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,009 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
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 ».