Epidemiological Uncertainty, Causation, and Drug Product Liability
Notice bibliographique
Résumé
Epidemiological evidence is regularly presented to courts in determining proof of causation in medicinal product liability litigation. Building on the foundations of the author’s previous monograph, which supported the use of epidemiological evidence in dealing with problems of proof of causation in alleged cases of adverse drug reactions, this paper revisits this perennial problem of the role of epidemiological evidence in assessing causation in product liability cases in a twenty-first century context, examining recent cases in the United Kingdom, United States, Australia, and Canada. It seeks to determine the extent to which the courts in the highlighted cases have been pragmatic and fair in their interpretation and utilization of epidemiological evidence, from the perspective of both consumers and pharmaceutical manufacturers. The paper examines the apparent tension between the levels of proof required in law and science, including the relationship between levels of statistical significance and the claimant’s burden of proof; and it assesses the wisdom of using a doubling of the risk rule as a threshold to any recovery. It explores the ways in which probabilistic methods, including statistical refining with individual risk factors, can be used in conjunction with epidemiological evidence to determine specific causation. The paper supports the view that logistic regression techniques and other forms of statistical refining mechanisms using specific risk factors can and do help in the process of giving quantitative or quasi-quantitative expression to conclusions about the cause of disease in an individual drug product liability claim that is based on epidemiological evidence.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,062 | 0,160 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,009 | 0,046 |
| Communication savante | 0,010 | 0,015 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,018 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».