Place de la pharmaco-économie en santé
Bibliographic record
Abstract
Comment faire une étude pharmaco-économique ? Quelles en sont les utilisations ? Ce sont les questions auxquelles j'ai essayé de répondre au cours de mon travail. Les études pharmaco-économiques sont effectivement réalisées selon une méthodologie précisée par des recommandations (ou guidelines). Ces recommandations varient selon les pays et font l'objet de discordances méthodologiques ce qui amène à se poser des questions sur la crédibilité et la comparabilité des études pharmaco-économiques. Néanmoins, il est important d'avoir des guidelines sur lesquelles se baser pour pouvoir utiliser les études pharmaco-économiques comme aide pour les autorités de santé (détermination des meilleurs médicaments, négociations de prix et/ou de remboursement). L'objectif des études pharmaco-économiques est alors d'optimiser l'allocation des ressources de santé dans un contexte de dépenses de santé fortement croissantes. L'utilisation des études pharmaco-économiques par les autorités de santé est cependant inégale selon les pays ; c'est ce qui a pu être mis en évidence par la comparaison des systèmes de santé de l'Australie, du Canada, des Pays-Bas, des Etats-Unis, de l'Italie, du Royaume-Uni et de la France. En France, en particulier, l'avenir de la pharmaco-économie est incertain. La pharmaco-économie est également utilisée au sein des industries pharmaceutiques pour étayer les décisions "stop and go". Les industries pharmaceutiques sont, en effet, confrontées à une augmentation des coûts de recherche et développement et à un environnement de compétition important. Elles doivent donc améliorer la répartition des ressources de recherche et développement en favorisant le développement des produits les plus prometteurs. C'est à ce niveau que la pharmaco-économie intervient : elle va apporter des informations aidant à déterminer les produits qui auront le plus de chance d'avoir un retour sur investissement suffisant.
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 | 0.051 | 0.072 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.004 | 0.008 |
| Science and technology studies | 0.004 | 0.018 |
| Scholarly communication | 0.028 | 0.020 |
| Open science | 0.003 | 0.008 |
| Research integrity | 0.007 | 0.014 |
| Insufficient payload (model declined to judge) | 0.015 | 0.003 |
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".