Data sources for drug utilization research in Latin American countries—A cross‐national study: <scp>DASDUR‐LATAM</scp> study
Notice bibliographique
Résumé
PURPOSE: Drug utilization research (DUR) contributes to inform policymaking and to strengthen health systems. The availability of data sources is the first step for conducting DUR. However, documents that systematize these data sources in Latin American (LatAm) countries are not known. We compiled the potential data sources for DUR in the LatAm region. METHODS: A network of DUR experts from nine LatAm countries was assembled and experts conducted: (i) a website search of the government, academic, and private health institutions; (ii) screening of eligible data sources, and (iii) liaising with national experts in pharmacoepidemiology (via an online survey). The data sources were characterized by accessibility, geographic granularity, setting, sector of the data, sources and type of the data. Descriptive analyses were performed. RESULTS: We identified 125 data sources for DUR in nine LatAm countries. Thirty-eight (30%) of them were publicly and conveniently available; 89 (71%) were accessible with limitations, and 18 (14%) were not accessible or lacked clear rules for data access. From the 125 data sources, 76 (61%) were from the public sector only; 46 (37%) were from pharmacy records; 43 (34%) came from ambulatory settings and; 85 (68%) gave access to individual patient-level data. CONCLUSIONS: Although multiple sources for DUR are available in LatAm countries, the accessibility is a major challenge. The procedures for accessing DUR data should be transparent, feasible, affordable, and protocol-driven. This inventory could permit a comparison of drug utilization between countries identifying potential medication-related problems that need further exploration.
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 | 0,016 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».