Can multi-criteria decision analysis (MCDA) be implemented into real-world drug decision-making processes? A Canadian provincial experience.
Notice bibliographique
Résumé
OBJECTIVE:To describe the implementation of multi-criteria decision analysis (MCDA) into a Canadian public drug reimbursement decision-making process, identifying the aspects of the MCDA approach, and the context that promoted uptake. METHODS:Narrative summary of case study describing the how, when, and why of implementing MCDA. RESULTS:Faced with a fixed budget, a pipeline of expensive but potentially valuable drugs, and potential delays to drug decision making, the Ministry of Health (i.e., decision makers) and its independent expert advisory committee (IAB) sought alternative values-based decision processes. MCDA was considered highly compatible with current processes, but the ability as a stand-alone intervention to address issues of opportunity cost was unclear. The IAB nevertheless collaboratively voted to implement an externally developed MCDA with support from decision makers. After several months of engagement and piloting, implementation was rapid and leveraged strong pre-existing formal and informal communication networks. The IAB as a whole rates new submissions which serves as an input into the deliberative process. CONCLUSIONS:MCDA can be a highly adaptable approach that can be implemented into a functioning drug reimbursement setting when facilitated by (i) a truly limited budget; (ii) a shared vision for change by end-users and decision makers; (iii) using pre-existing deliberative processes; and (iv) viewing the approach as a decision framework rather than the decision (when appropriate). Given the current limitations of MCDA, implementing an academically imperfect tool first and evaluating later reflects a practical solution to real-time fiscal constraints and impending delays to drug approvals that may be faced by decision makers.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».