Twice neglected? Neglected diseases in neglected populations
Notice bibliographique
Résumé
It is unfortunately true that clinicians lack the necessary evidence to know how to use medications properly in large sections of the population and do not have optimal treatments to use for many neglected tropical diseases (NTDs). NTDs often disproportionately affect neglected populations that are left out of research efforts, such as children and pregnant women. As reliable access to safe, effective preventives and treatments can break the cycle of poverty, illness, and ensuing debility that further perpetuates poverty, it is of paramount importance to investigate and develop new medicines for neglected populations suffering from NTDs. Furthermore, there is not only a need to develop and evaluate novel therapies, but also to ensure that these are affordable, available, and adapted to the communities who need them. The NIH has proposed a "4 C's" framework which is relevant for neglected diseases and populations and should be leveraged for the study of the Twice Neglected: Consider inclusion; Collect data from neglected populations with neglected conditions; Characterize differences through meaningful analysis; Communicate findings pertaining to neglected diseases and populations. With this editorial, the British Journal of Clinical Pharmacology hereby launches a call for high-quality articles focusing on NTDs in special populations, to facilitate and encourage the reversal of this dual neglect.
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 | 0,009 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,005 |
| Communication savante | 0,010 | 0,008 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,016 | 0,025 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,008 |
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 ».