Field detection devices for screening the quality of medicines: a systematic review
Notice bibliographique
Résumé
BACKGROUND: Poor quality medicines have devastating consequences. A plethora of innovative portable devices to screen for poor quality medicines has become available, leading to hope that they could empower medicine inspectors and enhance surveillance. However, information comparing these new technologies is woefully scarce. METHODS: We undertook a systematic review of Embase, PubMed, Web of Science and SciFinder databases up to 30 April 2018. Scientific studies evaluating the performances/abilities of portable devices to assess any aspect of the quality of pharmaceutical products were included. RESULTS: Forty-one devices, from small benchtop spectrometers to 'lab-on-a-chip' single-use devices, with prices ranging from US$20 000, were included. Only six devices had been field-tested (GPHF-Minilab, CD3/CD3+, TruScan RM, lateral flow dipstick immunoassay, CBEx and Speedy Breedy). The median (range) number of active pharmaceutical ingredients (APIs) assessed per device was only 2 (1-20). The majority of devices showed promise to distinguish genuine from falsified medicines. Devices with the potential to assay API (semi)-quantitatively required consumables and were destructive (GPHF-Minilab, PharmaChk, aPADs, lateral flow immunoassay dipsticks, paper-based microfluidic strip and capillary electrophoresis), except for spectroscopic devices. However, the 10 spectroscopic devices tested for their abilities to quantitate APIs required processing complex API-specific calibration models. Scientific evidence of the ability of the devices to accurately test liquid, capsule or topical formulations, or to distinguish between chiral molecules, was limited. There was no comment on cost-effectiveness and little information on where in the pharmaceutical supply chain these devices could be best deployed. CONCLUSION: Although a diverse range of portable field detection devices for medicines quality screening is available, there is a vitally important lack of independent evaluation of the majority of devices, particularly in field settings. Intensive research is needed in order to inform national medicines regulatory authorities of the optimal choice of device(s) to combat poor quality medicines.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,008 |
| Bibliométrie | 0,013 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».