MétaCan
Menu
Retour à la cohorte
Enregistrement W3107585939 · doi:10.2147/rmhp.s281629

<p>Prescription and Non-Prescription Drug Classification Systems Across Countries: Lessons Learned for Thailand</p>

2020· article· en· W3107585939 sur OpenAlexaboutno aff
Doungporn Leelavanich, Noppadon Adjimatera, Lawanworn Broese Van Groenou, Puree Anantachoti

Notice bibliographique

RevueRisk Management and Healthcare Policy · 2020
Typearticle
Langueen
DomaineImmunology and Microbiology
ThématiqueAntibiotic Use and Resistance
Établissements canadiensnon disponible
Organismes subventionnairesChulalongkorn University
Mots-clésMedical prescriptionDrugMedicineFamily medicinePharmacology

Résumé

récupéré en direct d'OpenAlex

PURPOSE: The drug classification system, as prescription or non-prescription drug category, has been utilized as a regulatory strategy to ensure patient safety. In Thailand, the same system has been used for decades, though the drug classification criteria were updated to accommodate drug re-classification in 2016. These new criteria, however, have not been applied retroactively. Inconsistency in drug classification has been observed leading to concerns regarding the drug classification system. This has prompted the need for a review of the drug classification system in Thailand. This study aims to explore Thailand and other selected countries' regulatory management regarding the drug classification system, drug classification criteria, and drug classification itself. METHODS: The drug classification systems of the United States, the United Kingdom, Japan, Singapore, Malaysia, the Philippines, and Canada were selected to study alongside Thailand's system. The regulatory review was conducted through each country's drug regulatory agency website and available published research. Complementary interviews with drug regulatory authorities were conducted when written documentation was unclear and had limited access. Fifty-two common drugs were selected to compare their actual classifications across the different countries. RESULTS: All selected countries classified drugs into two major groups: prescription drugs and non-prescription drugs. The studied countries further sub-classified non-prescription drugs into 1-4 categories. Principles of drug classification criteria among countries are similar; they comprised of three themes: disease characteristics, drug safety profile, and other drug characteristics. Actual drug classification of antibiotics, dyslipidemia treatments, and hypertension treatments in Thailand are notedly different from other countries. Furthermore, 77.4% of drugs studied in Thailand fall into the behind-the-counter (dangerous) drug category, which varied from antihistamines to antibiotics, dyslipidemia treatments, and vaccines. CONCLUSION: Thailand's drug classification criteria are comparable with other nations; however, there is a need to review drug classification statuses as many drugs have been classified into improper drug categories.

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)0,000
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: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,711
Score d'incertitude au seuil0,864

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
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 Opus0,039
Tête enseignante GPT0,319
Écart entre enseignants0,280 · 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'étudeSans objet
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

Citations23
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRisk Management and Healthcare PolicyMême sujetAntibiotic Use and ResistanceTravaux en français237 207