US drug shortages compared to the World Health Organization’s Model List of Essential Medicines for Children: A cross-sectional study
Notice bibliographique
Résumé
PURPOSE: To describe US drug shortages affecting medications on the 2019 World Health Organization (WHO) Model List of Essential Medicines for Children (EMLc). METHODS: Drug shortage data from January 2014 to December 2019 were obtained from the University of Utah Drug Information Service. Shortage data for drugs on the EMLc were analyzed for the type of drug, American Hospital Formulary Service category, reason for the shortage, duration of the shortage, marketing status (generic vs brand name), and whether the agent was a single- or multisource drug. RESULTS: From 2014 to 2019, a total of 209 drug shortages impacted medications on the EMLc, of which 77 (36.8%) remained unresolved by 2019. Of all active shortages, 13 (6.2%) began before 2014. Resolved shortages had a median duration of 5.9 months (interquartile range [IQR], 3.6-13.2 months) while active shortages had a median duration of 18.3 months (IQR, 10.9-33.5 months; P ≤ 0.0001). The therapeutic categories most impacted by drug shortages were anti-infective agents (27.3%), central nervous system agents (12.9%), and antineoplastic agents (11.0%). The reason for the shortage was not reported in 46.4% of cases. When a reason was provided, the most common reason was manufacturing problems (29.2%) followed by supply/demand mismatch (15.8%). CONCLUSION: US drug shortages affected many medications on the WHO EMLc. Future studies should examine the global shortage climate and implications for patient care.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».