MétaCan
Menu
Retour à la cohorte
Enregistrement W2757851334 · doi:10.2174/2213476x03666160112001136

Product Life Cycle Management for Pharmaceutical Innovation

2015· article· en· W2757851334 sur OpenAlexaboutno aff
Swagat Tripathy, Vandana Prajapati, Vijayakumar Sengodan Guruswamy

Notice bibliographique

RevueApplied Clinical Research Clinical Trials and Regulatory Affairs · 2015
Typearticle
Langueen
DomaineComputer Science
ThématiqueComputational Drug Discovery Methods
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésScrutinyCommercializationProduct lifecycleBusinessProduct (mathematics)New product developmentScope (computer science)BiosimilarProduct life-cycle managementPhase (matter)Competition (biology)Pharmaceutical industryMarketingIndustrial organizationComputer science

Résumé

récupéré en direct d'OpenAlex

Background: Continuous innovation is the unique feature of a pharmaceutical industry and is also prerequisite for sustainment of this industry. However, the dipping number of new molecules, rising costs of drug development, heightened health authority scrutiny and increased competition from generic industry indicate that the innovation is endangered. Methodology: The methodology used is a comparative study on the basis of original empirical research. More specifically, the part of examination facts and regulation has been written by conducting empirical research on current international and national resources concerning the subject from books, various Guidelines, Rules and regulations, Articles, Published Reports and internets. Results: The importance of innovation has been fairly realized by the industry and regulatory authorities as evident from the rise in number of new molecules approved by US FDA in 2014. To safeguard innovation, Product Lifecycle Management (PLM) should be incorporated in the business models of a pharmaceutical company. It not only helps to maximize lifecycle of the product but also to improve the product development processes, make better business decisions and to deliver greater value to consumers. Conclusion: A pharmaceutical product’s life is always complex & unique in nature and can be described in five distinct phases- development phase, approval phase, introduction phase, commercialization & quality management phase and decline phase. Number of strategies to be applied at each stage and the strategies are generally coupled with regulations, and the choice of strategy may vary on country to country. In present manuscript, the scope of various PLM strategies for innovators in four different countries namely, USA, EU, Canada and India has been discussed. This may guide the innovators to have competency to uphold the basic necessity for their survival, i.e. innovation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,018
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,015
Score d'incertitude au seuil0,050

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,018
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,004
Études des sciences et des technologies0,0010,001
Communication savante0,0060,004
Science ouverte0,0020,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0150,004

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.

Tête enseignante Opus0,669
Tête enseignante GPT0,624
Écart entre enseignants0,045 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueApplied Clinical Research Clinical Trials and Regulatory AffairsMême sujetComputational Drug Discovery MethodsTravaux en français237 207