MétaCan
Menu
Retour à la cohorte
Enregistrement W3047778481 · doi:10.1080/17441692.2020.1801791

A situation analysis of the state of supply of in vitro diagnostics in Low-Income Countries

2020· article· en· W3047778481 sur OpenAlexafffund
Michael Stevenson

Notice bibliographique

RevueGlobal Public Health · 2020
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueInnovation and Socioeconomic Development
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésBusinessProcurementDeveloping countryTransparency (behavior)DocumentationProduct (mathematics)Public economicsDisease surveillancePublic healthMarketingEconomicsEconomic growthMedicineComputer science

Résumé

récupéré en direct d'OpenAlex

In vitro diagnostics (IVDs) are medical devices and accessories used to test bodily samples for causative agents of disease. IVDs play a central role in the diagnosis of individuals, in the rationale use of medicines, in burden of disease estimates, as well as in public health surveillance; especially for detection of emerging epidemics, the identification and monitoring of antimicrobial resistance, and the documentation of infection rates in populations. This article examines how the state of (a) product quality, (b) pricing, and (c) development country manufacturing capacity, are affecting the supply of IVDs in Low-Income Countries (LICs). Data informing this work is derived from interviews with representatives of leading stakeholder organisations working in this space, and analysis of secondary literature. The findings of this analysis are that the supply of IVDs in LICs is undermined by (i) significant variation in product quality; (ii) inconsistent market demand from governments; (iii) limited opportunities for pooled procurement; (iv) a lack of transparency and consistency in product pricing; and (v) insufficient competition among producers capable of innovating for populations with limited purchasing power and low-resource settings. The article then examines four strategies for how these challenges can be overcome.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,018
Score d'incertitude au seuil0,390

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,253
Écart entre enseignants0,235 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations10
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueGlobal Public HealthMême sujetInnovation and Socioeconomic DevelopmentTravaux en français237 207