Intégration des médicaments biosimilaires à la pratique de l’oncologie
Bibliographic record
Abstract
Dans les dernières années, les biothérapies s’imposent de plus en plus pour traiter le cancer et d’autres maladies, mais ces traitements représentent un fardeau économique considérable pour le système de santé (Cohen, 2017; Godman et al., 2018). Pour contrer la hausse des coûts des soins de santé, les médicaments biosimilaires, des biomédicaments plus abordables, sont apparus sur le marché. Ceux-ci permettent de répondre aux besoins actuels en plus de faciliter l’accès aux biothérapies pour tous les patients. En 2018, au Canada, les économies combinées réalisées grâce à l’utilisation des formes biosimilaires de l’étanercept, du filgrastim, de l’infliximab et de l’insuline glargine s’élevaient à 94 millions de dollars (Biologics in Canada/Les médicaments biologiques au Canada, 2018). Si l’Europe a adopté les médicaments biosimilaires il y a déjà 15 ans (Health Canada/Santé Canada, 2019), c’est en 2018 que Santé Canada a approuvé le premier médicament biosimilaire destiné au traitement du cancer (un substitut du bévacizumab) (Generics and Biosimilar Initiative, 2021). Encore aujourd’hui, les professionnels de la santé se questionnent sur l’efficacité et l’innocuité des médicaments biosimilaires en oncologie (Rugo et al., 2018). De plus, le cadre de réglementation des médicaments biosimilaires varie d’une province canadienne à l’autre, ce qui peut compliquer leur intégration à la pratique clinique. Le présent article a pour but de donner aux infirmières en oncologie une vue d’ensemble des médicaments biosimilaires au Canada et de déconstruire les principaux mythes et les idées reçues sur cette classe de 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 | 0.006 | 0.015 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.017 | 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".