Drug-device combination products in the twenty-first century: epinephrine auto-injector development using human factors engineering
Notice bibliographique
Résumé
INTRODUCTION: The systematic application of human factors engineering (HFE) principles to the development of drug-device combination products, including epinephrine auto-injectors (EAIs), has the potential to improve the effectiveness and safety of drug administration. AREAS COVERED: A PubMed search was performed to assess the role of HFE in the development of drug-device combination products. The following keywords were used in different combinations: 'human factors engineering,' 'human factors,' 'medical products,' 'epinephrine/adrenaline auto-injector,' 'healthcare' and 'patient safety.' This review provides a summary of HFE principles and their application to the development of drug-device combination products as advised by the US FDA. It also describes the HFE process that was applied to the development of Auvi-Q, a novel EAI, highlighting specific steps that occurred during the product-development program. EXPERT OPINION: For drug-device combination products, device labeling and usability are critical and have the potential to impact clinical outcomes. Application of HFE principles to the development of drug-delivery devices has the potential to improve product quality and reliability, reduce risk and improve patient safety when applied early in the development process. Additional clinical and real-world studies will confirm whether the application of HFE has helped to develop an EAI that better meets the needs of patients at risk of anaphylaxis.
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 | 0,006 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 ».