Promoting quality use of medicines in South-East Asia: reports from country situational analyses
Notice bibliographique
Résumé
Irrational use of medicines is widespread in the South-East Asia Region (SEAR), where policy implementation to encourage quality use of medicines (QUM) is often low. The aim was to determine whether public-sector QUM is better in SEAR countries implementing essential medicines (EM) policies than in those not implementing them. Data on six QUM indicators and 25 EM policies were extracted from situational analysis reports of 20 country (2-week) visits made during 2010–2015. The average difference (as percent) for the QUM indicators between countries implementing versus not implementing specific policies was calculated. Policies associated with better (> 1%) QUM were included in regression of a composite QUM score versus total number of policies implemented. Twenty-two policies were associated with better (> 1%) QUM. Twelve policies were associated with 3.6–9.5% significantly better use (p < 0.05), namely: standard treatment guidelines; formulary; a government unit to promote QUM; continuing health worker education on prescribing by government; limiting over-the-counter (OTC) availability of systemic antibiotics; disallowing public-sector prescriber revenue from medicines sales; not charging fees at the point of care; monitoring advertisements of OTC medicines; public education on QUM; and a good drug supply system. There was significant correlation between the number of policies implemented out of 22 and the composite QUM score (r = 0.71, r2 = 0.50, p < 0.05). Country situational analyses allowed rapid data collection that showed EM policies are associated with better QUM. SEAR countries should implement all such policies.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».