MétaCan
Menu
Retour à la cohorte
Enregistrement W4243601053 · doi:10.13162/hro-ors.v4i2.2681

Reforming the Regulation of Therapeutic Products in Canada: The Protecting of Canadians from Unsafe Drugs Act (Vanessa’s Law)

2016· article· fr· W4243601053 sur OpenAlexaffvenueabout
Katherine Fierlbeck

Notice bibliographique

RevueHealth Reform Observer - Observatoire des Réformes de Santé · 2016
Typearticle
Languefr
DomaineEconomics, Econometrics and Finance
ThématiquePharmaceutical Economics and Policy
Établissements canadiensDalhousie University
Organismes subventionnairesnon disponible
Mots-clésLawBusinessPolitical science

Résumé

récupéré en direct d'OpenAlex

Enacted November 2014, Vanessa’s Law amends the Food and Drugs Act to give Health Canada greater powers to compel the disclosure of information, recall drugs and devices, impose fines and injunctions, and collect post-market safety information. The Act amends seriously outdated legislation that had been in place since 1954. While the explicit goals of the Act are to improve patient safety and provide transparency, it also establishes a regulatory framework that facilitates investment in the burgeoning field of biotechnology. While regulatory reform was already on the public agenda, public awareness of litigation against large pharmaceutical firms combined with the championing of the legislation by Conservative MP Terence Young, whose daughter Vanessa died from an adverse drug reaction, pushed the legislation through to implementation. Many key aspects of the Act depend upon the precise nature of supporting regulations that are still to be implemented. Despite the new powers conferred by the legislation on the Minister of Health, there is some concern that these discretionary powers may not be exercised, and that Health Canada may not have sufficient resources to take advantage of these new powers. Given experience to date since enactment, the new legislation, designed to provide greater transparency vis-à-vis therapeutic products, may actually have a chilling effect on independent scrutiny.

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)0,003
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,470
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0000,001
Science ouverte0,0010,000
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 Opus0,065
Tête enseignante GPT0,274
Écart entre enseignants0,209 · 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.

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

Citations2
Publié2016
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueHealth Reform Observer - Observatoire des Réformes de SantéMême sujetPharmaceutical Economics and PolicyTravaux en français237 207