Évaluation économique de l'ajustement des antihypertenseurs par le pharmacien en milieu communautaire
Bibliographic record
Abstract
OBJECTIF : L’hypertension est une maladie chronique pour laquelle seulement 68 % des patients étaient contrôlés en 2013. Les pharmaciens de la province de Québec ont récemment obtenu l’autorité législative pour ajuster la dose des antihypertenseurs lorsqu’une cible thérapeutique est entendue avec le médecin. Cette étude économique vise à estimer le ratio coût- utilité incrémental (RCUI) de ce nouveau modèle de soin au Québec. MÉTHODE : Un modèle de Markov a été développé pour extrapoler l’impact de cette pratique pharmaceutique sur les accidents vasculaires cérébraux (AVC), sur les infarctus du myocarde aigus et sur la mortalité. Les équations du modèle de risque de Framingham ont été utilisées pour estimer l’impact du contrôle de la pression artérielle sur la survenue d’AVC et d’infarctus. L’efficacité de l’intervention a été estimée à partir des résultats de l’essai clinique RxAction, conduit en Alberta. L’efficacité de l’intervention pharmaceutique est exprimée via la proportion de patients contrôlés. La perspective du payeur public a été utilisée et seulement les coûts directs des soins de santé ont été intégrés. L’issue principale observée par le modèle est le gain en années de vie ajustées par la qualité (AVAQ). Les AVAQ et les coûts ont été actualisés à un taux annuel de 1,5 %. Le modèle a simulé une cohorte de 1000 patients âgés de 65 ans, sur un horizon temporel de 20 ans en utilisant des cycles d’un an. RÉSULTATS: Le modèle a généré 0,051 AVAQs de plus par patient dans le groupe d’intervention pour une dépense supplémentaire de 268 $ par patient. Le RCUI est de 5 223 $/AVAQ gagnée. Si le seuil de volonté à payer du tiers public se tient à 50 000 $/AVAQ, cette intervention serait dite coût-efficace. Les résultats de cette simulation étaient surtout sensibles à l’efficacité de l’intervention pharmaceutique ainsi qu’à l’utilité attribuée à l’hypertension. CONCLUSION: Permettre aux pharmaciens d’ajuster la dose des traitements antihypertenseurs à l’intérieur du modèle de rémunération actuel apparaît coût-efficace. L’obtention de données d’efficacité issue d’une étude clinique conduite au Québec nous permettrait d’augmenter la validité externe de cette modélisation économique.
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 | 0.012 | 0.029 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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".