La décision d’inscrire un médicament anticancéreux onéreux sur les listes des produits pharmaceutiques assurés au Québec : critères, principes éthiques et contexte
Bibliographic record
Abstract
Dans un contexte de ressources limitées, les assureurs et les établissements de santé doivent prendre la difficile décision d’inscrire ou non des nouveaux médicaments onéreux sur les listes des produits assurés. Notre mémoire aborde ce problème en étudiant le cas des anticancéreux onéreux au Québec. Il se penche sur les critères scientifiques et principes éthiques à considérer puis sur le contexte dans lequel les décisions sont prises. Premièrement, nous identifions, analysons et évaluons les critères et principes pharmacoéconomiques et éthiques qui sont ou devraient être considérés lorsqu’il s’agit d’inscrire un médicament onéreux. Deuxièmement, nous cherchons à identifier les éléments organisationnels (structure des agences d’évaluation et des régimes publics d’assurance) favorisant une couverture accessible, efficiente et équitable. Troisièmement, nous analysons de quelle manière l’industrie pharmaceutique essaie d’influencer les décisions d’inscription. Quatrièmement, nous nous penchons sur l’influence des groupes de patients et sur les conflits d’intérêts pouvant découler de leur financement par l’industrie. Cinquièmement, nous procédons à une analyse des articles de journaux qui soulèvent la question de l’accès aux anticancéreux onéreux. Notre étude démontre que la limitation de l’accès à des anticancéreux onéreux est justifiée sur le plan pharmacoéconomique et éthique. Elle conclut aussi qu’au Québec, de manière générale, l’organisation de l’agence d’évaluation des médicaments et la structure des régimes d’assurance favorisent un accès efficient et équitable aux anticancéreux onéreux. Cependant, notre étude révèle que de nombreuses forces économiques et politiques poussent en sens contraire. En effet, l’industrie pharmaceutique, des groupes de patients influents et les contenus médiatiques défendent l’idée d’un accès illimité aux médicaments, peu importe le prix, ce qui menace le caractère efficient, équitable et pérenne du financement des médicaments.
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 | 0.020 | 0.031 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.005 | 0.005 |
| Scholarly communication | 0.009 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
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".