Data analytics in pharmaceutical supply chains: state of the art, opportunities, and challenges
Notice bibliographique
Résumé
In recent years, data analytics in pharmaceutical supply chains has aroused much interest as it has the potential of enabling better supply and management of healthcare products by leveraging data generated by modern systems. This article presents the current state, opportunities, and challenges of data analytics in pharmaceutical supply chains through a systematic literature review surveying the Scopus, ScienceDirect, and Springerlink databases. 85 publications from 2012 to 2021 were reviewed and classified based on the research approach, objective addressed, and data used. The contributions of this paper are threefold: (i) it proposes a framework focused on challenges and data resources to assess the current state of data analytics in pharmaceutical supply chains; (ii) it provides examples of techniques exemplified that will serve as inspiring references; and (iii) it gathers and maps existing literature to identify gaps and research perspectives. Findings outlined that despite promising results from machine learning algorithms to address drug shortages and inventories optimisation, the various data resources have not yet been fully harnessed. Unstructured data have barely been used and combined with other types of information. New challenges related to green practices adoption and medicines supply during crises call for further applications of advanced analytics techniques.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,035 | 0,076 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,015 | 0,031 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,012 | 0,023 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».