تخمين تابع تقاضاي دارو براي بيماري هاي خاص در ايران از طريق بودجه خانوار؛ سال1392

Estimating the Demand Function of Specialty Medicines in Iran, Using Household Budget– 2013

مقدمه: با توجه به اهميت و نقش روزافزون داروها در مراقبت و درمان بيماري ها و همچنين جايگزيني آن ها به جاي رويه هاي هزينه بر و گاهي اوقات نا ايمن، بررسي اقتصادي و عوامل موثر بر تقاضاي آن ها جهت سياست گذاري هاي آتي ضـروري به نظر مي رسد. هدف از پژوهش حاضر نيز بررسي متغيرهاي موثر بر تقاضاي داروهاي خاص مي باشد. روش‌ها: در اين پژوهش توصيفي- تحليلي، اطلاعات حاصل از تكميل پرسشنامه توسط 280 بيمار مبتلا به ام اس، هموفيلي، تالاسمي و بيماري مزمن كليوي، جمع آوري گرديد ؛ سپس داده ها وارد نرم افزار Stata نسخه 12 شده و بعد از تخمين مدل، با استفاده از مدل پروبيت، اثرات نهايي آن ها مورد بررسي قرار گرفت . نتا‌يج: متغـيرهاي نياز بيـمار (858/0 ME=)، وخـامت حال بيمار (001/0 ME=-)، مـحل سـكـونت (002/0 ME=-)، جنـسيت (048/0 ME=-)، درآمـد (001/0 ME=-)، تحصـيلات (002/0 ME=-) و شـغل (001/0 ME=-) از متغيرهاي معنادار و تاثيرگذار بر تقاضاي داروهاي خاص بوده و پوشش بيمه اي با 631 /0 P=، از متغيرهاي مهمي بود كه ارتباط معناداري با تقاضا نشان نداد. بحث و نتيجه‌گيري: توجه سياست گذاران بر متغيرهاي موثر بر تقاضاي داروهاي خاص مي تواند پيش بيني نياز به داروهاي خاص را با توجه به مشخصات بيماران تسهيل نمايد. همچنين مي توان با تغيير برخي مشخصات بيماران مانند آموزش آنان، تابع تقاضا را تغيير داد.

Background: Owing to the growing importance of medicines in treatment of diseases, as well as their role as alternatives for expensive and often unsafe procedures; economic examination of factors associated with their demand is necessary. Hence, this study aimed at exploring factors affecting the demand of specialty medicines. Methods: In this descriptive-analytic study, data was collected from questionnaires completed by 280 patients with multiple sclerosis, hemophilia, thalassemia, and chronic kidney disease. Then data was entered into Stata 12 and after estimating the model, by using the Probit model, their final effect was evaluated. Results: We found that patient need (ME=0.858), deterioration of patient health (ME =-0.001), situation of house ownership (ME =-0.002), gender (ME =-0.048), income (ME =-0.001), education (ME =-0.002) and job (ME =-0.001) are significant variables that affect demand for specialty drugs. Health insurance coverage (P =0.631) had no significant correlation with demand. Conclusion: Consideration of factors affecting patients’ need can help policy makers in anticipation of special patients’ need to specialty drugs. Also demand can be manipulated by working on some patients’ characteristics such as their education level.