Notice bibliographique
Résumé
www.thelancet.com Vol 386 October 3, 2015 1327 John Clark is a busy man. The former deputy assistant secretary of Homeland Security (US customs and immigration) now heads up Pfi zer’s Global Security team—a team that tracks down people who manufacture and sell counterfeit drugs. And he has a question for doctors: do you know where your patients get their drugs from? The offi cial term for these types of medicines is spurious/falsely-labelled/ falsifi ed/counterfeit (SFFC) drugs. It’s not a title that rolls off the tongue, but it’s one that doctors in developing countries are more than aware of with estimates of the prevalence of counterfeit drugs in some parts of Africa and Asia reaching as high as 70%. In high-income countries it might not be at the forefront of every practitioner’s mind, but the rise of online pharmacies in Europe and the USA could change that. WHO estimates that 50% of the drugs for sale on the internet are fake and even though the online dispensaries might look legitimate, a survey of 10 000 of them done by America’s National Association of Boards of Pharmacy (NABP) found that 9938 did not comply with NABP patient safety and pharmacy practice standards or US state and federal laws. Most said they were based in Canada but were really a front for illegal off shore operations. Clark told The Lancet that he has seen estimates of the markets’ worth ranging from US$70 billion to $200 billion, but the truth of the matter, is that “no one has their hands around the exact size of the global problem”. And no one knows exactly how many people buy prescription drugs online but some estimates predict it is up to 5 million in America and around 2 million in the UK. A 2009 survey of general practitioners in the UK found 25% had treated a patient who had experienced an adverse eff ect from a drug bought online.
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 | 0,001 | 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) | 0,001 | 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 ».