Les régulateurs dans l’accès aux médicaments contre le cancer au Canada
Bibliographic record
Abstract
En se référant uniquement aux médicaments inscrits sur les listes agréées par les régimes publics d’assurance des différentes provinces, plusieurs concluent qu’il existe une très grande variabilité dans l’accès des médicaments contre le cancer (MCC) pour les citoyens vivant dans les différentes provinces du Canada. Cela met en cause l’équité dans l’accès à ces médicaments entre les citoyens canadiens. Le but premier de cet article est de démontrer que la simple inscription aux listes des régimes publics d’assurance ne peut être considérée comme un indicateur suffisant pour déterminer la disponibilité effective des MCC pour le patient. Nous nous employons dès lors à décrire les différents régulateurs mis en place dans chacune des provinces, de les comparer et de déterminer l’impact sur l’accessibilité aux MCC pour les patients dans chacune des provinces. Nous intégrons sous le vocable de régulateur les conditions à respecter pour l’accès, via le régime d’assurance public, de même que les modalités (stratégies) décrétées par le tiers payeur pour la gestion de ces conditions. Nos analyses conduisent à conclure qu’il existe bel et bien une variation entre les provinces concernant l’accès aux médicaments financés par les fonds publics, mais que cette variabilité affecte en premier lieu des traitements de moindre importance.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.013 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".