Relationship Between Pharmaceutical Company User Fees and Drug Approvals in Canada and Australia: A Hypothesis-Generating Study
Notice bibliographique
Résumé
BACKGROUND: Since the early- to mid-1990s, drug companies have paid fees for a variety of activities carried out by the Therapeutic Products Directorate in Canada and the Therapeutic Goods Administration in Australia. OBJECTIVE: To explore whether changes in approval times for new active substances and in the percentage of new drug submissions receiving positive decisions coincided with the level of user fees. METHODS: Data were collected from a range of Canadian and Australian government publications on the following topics: total funding for and workload of the regulatory agencies, the percentage of income that came from tax revenue and user fees, the percentage of new drug submissions that received a positive decision, and-for Canada only-the percent of submissions that were approved on first review. RESULTS: In both countries, there was a moderate-to-strong positive association between the level of industry funding and the percent of submissions that received a positive decision and a moderate-to-strong (Canada) and moderate (Australia) negative association between the level of industry funding and approval times. CONCLUSIONS: Changes observed in both countries are favorable to the pharmaceutical industry. Other than user fees leading to a pro-industry bias in the regulatory authorities, other possible explanations include a more efficient use of resources, a smaller workload (Canada), an improvement in the quality of drug submissions (Canada), and more resources (Australia). Further research strategies are needed to either confirm or refute the hypothesis that the level of industry funding affects decisions made in drug regulatory systems.
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 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».