MétaCan
Menu
Retour à la cohorte
Enregistrement W4221133446 · doi:10.1186/s12992-022-00822-8

Disclosure, transparency, and accountability: a qualitative survey of public sector pharmaceutical committee conflict of interest policies in the World Health Organization South-East Asia Region

2022· article· en· W4221133446 sur OpenAlexafffund
Quinn Grundy, Lisa Parker, Anna Wong, Terence Fusire, Deirdre Dimancesco, Klára Tisócki, Helena Walkowiak, Taryn Vian, Jillian Clare Köhler

Notice bibliographique

RevueGlobalization and Health · 2022
Typearticle
Langueen
DomainePharmacology, Toxicology and Pharmaceutics
ThématiquePharmaceutical industry and healthcare
Établissements canadiensUniversity of Toronto
Organismes subventionnairesConnaught FundWorld Health OrganizationUnited States Agency for International Development
Mots-clésPrivate sectorTransparency (behavior)Public sectorPharmaceutical industryAccountabilityConflict of interestProcurementPublic interestCorporate governancePublic healthPharmaceutical policyBusinessHealth policyPublic relationsHealth careEconomic growthEconomicsPolitical scienceFinanceMedicineMarketingLaw

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Weak governance over public sector pharmaceutical policy and practice limits access to essential medicines, inflates pharmaceutical prices, and wastes scarce health system resources. Pharmaceutical systems are technically complex and involve extensive interactions between the private and public sectors. For members of public sector pharmaceutical committees, relationships with the private sector can result in conflicts of interest, which may introduce commercial biases into decision-making, potentially compromising public health objectives and health system sustainability. We conducted a descriptive, qualitative study of conflict of interest policies and practices in the public pharmaceutical sector in ten countries in the World Health Organization (WHO) South-East Asia Region (SEAR) (Bangladesh, Bhutan, India, Indonesia, Maldives, Myanmar, Nepal, Sri Lanka, Thailand, and Timor-Leste) between September 2020 and March 2021. RESULTS: We identified 45 policy and regulatory documents and triangulated documentary data with 21 expert interviews. Key informants articulated very different governance priorities and conflict of interest concerns depending on the features of their country's pharmaceutical industry, market size, and national economic objectives related to the domestic pharmaceutical industry. Public sector pharmaceutical policies and regulations consistently contained provisions for pharmaceutical committee members to disclose relevant interests, but contained little detail about what should be declared, when, and how often, nor whether disclosures are evaluated and by whom. Processes for preventing or managing conflicts of interest were less well developed than those for disclosure except for a few key procurement processes. Where processes for managing conflicts of interest were specified, the dominant strategy was to recuse committee members with a conflict of interest from relevant work. Policies rarely specified that committee members should divest or otherwise be free from conflicts of interest. CONCLUSIONS: Robust processes for conflict of interest prevention and management could ensure the integrity of decision-making and build public trust in pharmaceutical processes to achieve public health objectives. Upstream approaches including supportive legislative frameworks, the creation of oversight bodies, and strengthening regulatory institutions can also contribute to building cultures of transparency, accountability, and trust.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,076
Score d'incertitude au seuil0,719

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0070,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,769
Tête enseignante GPT0,593
Écart entre enseignants0,175 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueGlobalization and HealthMême sujetPharmaceutical industry and healthcareTravaux en français237 207