اگه تا حالا اسم بایوسیمیلار (Biosimilar) به گوشت خورده، شاید بدونی این داروها در واقع یه جور نسخه کپی‌شده و مشابه از داروهای بیولوژیک گرون‌قیمت هستن. یعنی میشه گفت مثل ژنریک‌ها برای داروهای شیمیایی، اما یه سطح بالاتر و پیشرفته‌تر؛ چون داروهای بیولوژیک خودشون کلی پیچیده‌ان! حالا کلی کشور دنیا سعی می‌کنن پزشک‌ها رو بیشتر قانع کنن از این بایوسیمیلارها استفاده کنن—ولی این وسط، کلی عوامل مختلف تاثیر میذارن که پزشک‌ها این داروها رو تجویز کنن یا نه.
توی یه تحقیق جالب که چند تا پژوهشگر تایلندی به اسم‌های Chaoncin Sooksriwong و بقیه انجام دادن، خواستن بفهمن دقیقاً چی باعث میشه پزشک توی تایلند سمت تجویز بایوسیمیلار بره یا ترجیح بده همون داروی قدیمی رو بنویسه. خلاصه، کلی پزشک رو از سه انجمن بزرگ پزشکی تایلند با یه نظرسنجی آنلاین به چالش کشیدن تا بفهمن نظرشون راجع به بایوسیمیلار چیه و چه چیزی روی تصمیمشون تاثیر میذاره.
حالا چجوری بررسی کردن؟
پژوهشگرها اومدن و پنج تا ویژگی روانشناسی رو از پزشک‌ها پرسیدن:
۱. آشنایی با بایوسیمیلارها (یعنی اینکه اصلاً خودشون قبلاً راجع به این داروها شنیدن یا نه، تجربه دارن یا ندارن)
۲. نگرش به خود داروی بایوسیمیلار (مثلاً اعتماد دارن یا فکر می‌کنن ریسکیه)
۳. نگرش به سناریوهای استفاده از بایوسیمیلار (یعنی تو چه موقعیت‌هایی ممکنه استفاده کنن)
۴. نگرش به اسم‌گذاری دارو تو نسخه (اینکه پزشک با چه اسمی دارو رو می‌نویسه و آیا این روی اعتمادش تاثیر میذاره یا نه — فرض کن گاهی اسم‌ها به نظر تخصصی یا غریبه میاد)
۵. نگرش به قیمت این داروها (یعنی براشون مهمه ارزون‌تر بودن این نسخه یا نه).
هر کدوم از این ویژگی‌ها رو با یه سیستم امتیازدهی مخصوص (بر اساس درصد) جمع‌بندی کردن. این سیستم شبیه اینه که به هر مرحله از بازی پاسخ بدی و جمع امتیازت نشون بده تو چی فکر می‌کنی!
یه نکته فنی هم اینجا بود: قبل از اینکه برن سراغ آنالیز، فرضیات اولیه رو چک کردن تا مطمئن بشن داده‌هاشون مناسب تحلیل هست — این روش که استفاده کردن بهش میگن Discriminant Function Analysis یا همون DFA، روشی آماریه که کمک می‌کنه بفهمیم کدوم عامل‌ها واقعاً می‌تونن گروه‌ها رو از هم جدا کنن یا پیش‌بینی کنن (مثلا آیا پزشک قراره داروی بایوسیمیلار بده یا نه).
کل شرکت‌کننده‌ها ۸۲ تا پزشک بودن که داده‌هاشون بررسی شد و همه اطلاعاتشون هم مناسب این تحلیل بود. نتایج خیلی باحال بود!
چی شد نتیجه؟
اصلی‌ترین چیزی که پزشک‌ها رو به دو دسته تجویزکننده و غیرتجویزکننده بایوسیمیلار تبدیل کرد، آشنایی یا همون فمیلیاریتی بود. یعنی هرکی بیشتر با بایوسیمیلار آشنا بود، به احتمال خیلی بیشتری این داروها رو می‌نوشت. بعد از اون، نگرش به خود دارو خیلی تاثیر داشت؛ یعنی اگه پزشک حسش نسبت به بایوسیمیلار مثبت‌تر بود، باز هم احتمال تجویز بالا بود. جالبه که عوامل دیگه مثل قیمت و اسم دارو به اندازه آشنایی تاثیر نداشتن، هرچند بی‌اثر هم نبودن.
یه عدد جالب دیگه این بود که مرز تفاوت گروه‌ها (یا همون cutoff value به زبان آماری) رو روی عدد -۰/۶۰۰ گذاشتن. یعنی اگه امتیاز مجموع از این مقدار بالاتر بود، پزشک به سمت تجویزکننده‌ها می‌رفت و اگه پایین‌تر بود، جزو گروه غیرتجویزکننده حساب میشه.
از نظر دقت این مدل آماری، باید بدونی که کلی خوب کار می‌کرد: مدل، تونست توی ۸۲.۹ درصد موارد پزشک‌ها رو درست تو گروه خودشون پیش‌بینی کنه! (یعنی accuracy یا همون نرخ موفقیت مدل، عدد خیلی خوبی بود.)
چرا این مهمه؟
کل داستان به این نکته برمی‌گرده که تصمیم‌های پزشکا فقط منطقی و علمی نیست — بلکه کلی عوامل روانی و ذهنی تاثیر داره، خصوصاً اینکه چقدر خودشون این داروها رو می‌شناسن و بهش اعتماد پیدا کردن. جالب بود دیگه، یه جورایی نشون می‌ده اگه قراره بایوسیمیلار تو سیستم درمانی جا بیفته، باید کلی روی آموزش و آشنایی پزشکا کار بشه نه اینکه فقط امید داشته باشیم تا قیمت‌ها ارزون‌تر شه و همه خودشون میرن سراغش!
خلاصه حرف: آشنایی بیشتر با داروهای بایوسیمیلار و نگرش مثبت بهشون، خیلی خیلی بیشتر از عوامل دیگه باعث میشه پزشکای تایلندی برن سراغ نسخه‌نوشتن برای این داروها. پس اگه قراره این اتفاق تو هر کشوری از جمله ایران هم بیفته، باید برن سراغ فرهنگ‌سازی و آموزش جدی تو این زمینه—not فقط بخشنامه و پایین آوردن قیمت!
منبع: +
