A drone delivery network for antiepileptic drugs: a framework and modelling case study in a low-income country
Notice bibliographique
Résumé
BACKGROUND: In urbanized, low-income cities with high rates of congestion, delivery of antiepileptic drugs (AEDs) by unmanned aerial vehicles (drones) to people with epilepsy for both emergency and non-urgent distribution may prove beneficial. METHODS: Conakry is the capital of the Republic of Guinea, a low-income sub-Saharan African country (2018 per capita gross national income US$830). We computed the number of drones and delivery times to distribute AEDs from a main urban hospital to 27 pre-identified gas stations, mosques and pharmacies and compared these to the delivery times of a personal vehicle. RESULTS: We predict that a single drone could serve all pre-identified delivery locations in Conakry within a 20.4-h period. In an emergency case of status epilepticus, 8, 20 and 24 of the 27 pre-identified destinations can be reached from the hub within 5, 10 and 15 min, respectively. Compared with the use of a personal vehicle, the response time for a drone is reduced by an average of 78.8% across all times of the day. CONCLUSIONS: Drones can dramatically reduce the response time for both emergency and routine delivery of lifesaving medicines. We discuss the advantages and disadvantages of such a drone delivery model with relevance to epilepsy. However, the commissioning of a trial of drones for drug delivery in related diseases and geographies is justified.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».