Anticounterfeiting strategies of local drug manufacturers in lagos, nigeria: drug safety and implications for public health
Notice bibliographique
Résumé
BACKGROUND: Nigeria has been plagued by counterfeit and poor quality medicines with several studies indicating varying degree of prevalence. Thus, this study is aimed at determining the anticounterfeiting strategies employed by local drug manufacturers in Lagos-Nigeria. METHOD: The first phase was a descriptive study which involves the use of a self-administered closed ended structured questionnaire to assess the anticounterfeiting strategies employed by local manufacturers in Nigeria. The second phase was an experimental study which involves selection of two classes of most frequently faked drugs identified by the respondents in the first phase. The selected drugs were then subjected to spot checks using the truscan analysis deployed by NAFDAC to identify counterfeit medicine. Anticounterfeiting features on the samples were also examined. The data obtained from phase one were analyzed using SPSS and the data obtained from phase two were entered into the truscan data sheet and analyzed using Chi-squared and ANOVA. Results were considered to be significant at P-value ≤ 0.05. RESULTS: The outcome of the study showed that 83% and 78% of antimalarials drawn from the manufacturing sources and open market respectively passed the truscan spot checks. Similarly, 50% of antibiotics drawn from the two sampling sites passed the truscan checks. There was no significant difference (p ≥ 0.05) between the sampled antimalarials and antibiotics from the manufacturing sources and open market. CONCLUSION: The current rate of counterfeit medicines is relatively low. Strategies to encourage the use of combination of anticounterfeiting technologies by the manufacturers should be established.
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 | 0,003 | 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 ».