COVID-19 and the prevalence of drug shortages in Canada: a cross-sectional time-series analysis from April 2017 to April 2022
Notice bibliographique
Résumé
<h3>Background:</h3> In March 2020, the Government of Canada introduced measures to reduce intensifying shortages of prescription drugs during the beginning of the COVID-19 pandemic. We sought to assess the extent to which a decline in drug shortages was observed in the months after this policy change. <h3>Methods:</h3> Our data source was the Drug Shortages Canada Database, which reports shortages by drug product, including shortage start and duration. Using a cross-sectional design, we tracked shortage rates of drug products using a 30-day moving average from Apr. 15, 2017, to Apr. 1, 2022. We used autoregressive integrated moving average modelling with a ramp function to determine the significance of trend changes after policy implementation. <h3>Results:</h3> We found that of the 13 329 drug products at risk for shortage, 44.7% (<i>n</i> = 5953) had at least 1 shortage event in the past 5 years. Average daily shortage prevalence rates rose from 901 in April 2017 to a peak of 2345 by April 2020. Significant declines (<i>p</i> = 0.02) ensued shortly thereafter, dropping to a rate of 1611 shortages by the end of the first year after policy implementation. However, we did not observe a significant reduction in shortage rates in the second year (<i>p</i> = 0.2), with rates plateauing below 1500 and then rising back above 1600 by the end of March 2022. <h3>Interpretation:</h3> Drug shortages are common in Canada, including during the initial months of the COVID-19 pandemic. We observed substantial improvements after the implementation of the new measures, but gains appear to have plateaued. Continued vigilance is needed to sustain improvements.
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 | 0,003 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,023 | 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 ».