Toilet Paper, Minced Meat and Diabetes Medicines: Australian Panic Buying Induced by COVID-19
Notice bibliographique
Résumé
The COVID-19 pandemic has impacted the management of non-communicable diseases in health systems around the world. This study aimed to understand the impact of COVID-19 on diabetes medicines dispensed in Australia. Publicly available data from Australia's government subsidised medicines program (Pharmaceutical Benefits Scheme), detailing prescriptions by month dispensed to patients, drug item code and patient category, was obtained from January 2016 to November 2020. This study focused on medicines used in diabetes care (Anatomical Therapeutical Chemical code level 2 = A10). Number of prescriptions dispensed were plotted by month at a total level, by insulins and non-insulins, and by patient category (general, concessional). Total number of prescriptions dispensed between January and November of each year were compared. A peak in prescriptions dispensed in March 2020 was identified, an increase of 35% on March 2019, compared to average growth of 7.2% in previous years. Prescriptions dispensed subsequently fell in April and May 2020 to levels below the corresponding months in 2019. These trends were observed across insulins, non-insulins, general and concessional patient categories. The peak and subsequent dip in demand have resulted in a small unexpected overall increase for the period January to November 2020, compared to declining growth for the same months in prior years. The observed change in consumer behaviour prompted by COVID-19 and the resulting public health measures is important to understand in order to improve management of medicines supply during potential future waves of COVID-19 and other pandemics.
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 | 0,001 |
| 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 ».