India’s ban on antimicrobial fixed-dose combinations: winning the battle, losing the war?
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: India, the country with the largest market availability of antimicrobial fixed-dose combinations (FDCs), banned certain antimicrobial FDCs in September 2018. Our objective was to examine the impact of Government ban on the sales of antimicrobial FDCs. METHODS: The sales patterns of 14 of the 26 banned antimicrobial FDCs were analyzed using monthly private sector drug sales data from IQVIA (a comprehensive and nationally representative drug sales database) between January 2018 and December 2019. We carried out descriptive analyses to evaluate the trend in sales over time for banned and non-banned antimicrobial FDCs using cumulative sales volumes. RESULTS: Overall, the cumulative sales volume of banned antimicrobial FDCs declined by 75% between January and September 2018 and the same months of 2019, although some banned FDCs continued to be available in significant volumes. The effectiveness of the ban was offset by several pathways. First, the sales of combinations containing moieties belonging to the same drug-classes as the antimicrobials in the banned FDCs increased after the ban. Second, while certain formulations of particular combinations were banned, the sales of other non-banned formulation of these combinations increased. Third, in some cases, products containing new non-antimicrobial components added to the banned combinations remained available. INTERPRETATION AND CONCLUSIONS: While sales of the banned antimicrobial FDCs decreased in 2019, we identified several mechanisms that counterbalanced the ban, including implementation failure, rising sales of congeners, and products with additional non-antimicrobial components.
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 | 0,002 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».