Responding to the Pandemic of Falsified Medicines
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Over the past decade, the number of countries reporting falsified (fake, spurious/falsely labeled/counterfeit) medicines and the types and quantities of fraudulent drugs being distributed have increased greatly. The obstacles in combatting falsified pharmaceuticals include 1) lack of consensus on definitions, 2) paucity of reliable and scalable technology to detect fakes before they reach patients, 3) poor global and national leadership and accountability systems for combating this scourge, and 4) deficient manufacturing and regulatory challenges, especially in China and India where fake products often originate. The major needs to improve the quality of the world's medicines fall into three main areas: 1) research to develop and compare accurate and affordable tools to identify high-quality drugs at all levels of distribution; 2) an international convention and national legislation to facilitate production and utilization of high-quality drugs and protect all countries from the criminal and the negligent who make, distribute, and sell life-threatening products; and 3) a highly qualified, well-supported international science and public health organization that will establish standards, drug-quality surveillance, and training programs like the U.S. Food and Drug Administration. Such leadership would give authoritative guidance for countries in cooperation with national medical regulatory agencies, pharmaceutical companies, and international agencies, all of which have an urgent interest and investment in ensuring that patients throughout the world have access to good quality medicines. The organization would also advocate strongly for including targets for achieving good quality medicines in the United Nations Millennium Development Goals and Sustainable Development Goals.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle