Public Risk-Taking and Rewards During the COVID-19 Pandemic - A Case Study of Remdesivir in the Context of Global Health Equity
Notice bibliographique
Résumé
Public investment, through both research grants and university funding, plays a crucial role in the research and development (R&D) of novel health technologies, including diagnostics, therapies, and vaccines, to address the coronavirus disease 2019 (COVID-19) pandemic. Using the example of remdesivir, one of the most promising COVID-19 treatments, this paper traces back public contributions to different stages of the innovation process. Applying the Risk-Reward Nexus framework to the R&D of remdesivir, we analyse the role of the public in risk-taking and reward and address inequities in the biomedical innovation system. We discuss the collective, cumulative and uncertain characteristics of innovation, highlighting the lack of transparency in the biomedical R&D system, the need for public investment in the innovation process, and the "time-lag" between risk-taking and reward. Despite the significant public transnational contributions to the R&D of remdesivir, the rewards are extracted by few actors and the return to the public in the form of equitable access and affordable pricing is limited. Beyond the necessity to treat remdesivir as a global public good, we argue that biomedical innovation needs to be viewed in the broader concept of public value to prevent the same equity issues currently seen in the COVID-19 pandemic. This requires the state to take a market-shaping rather than market-fixing role, thereby steering innovation, ensuring that patents do not hinder global equitable access and affordable pricing and safeguarding a global medicines supply.
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 | 0,000 |
| 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 ».