MétaCan
Menu
Retour à la cohorte
Enregistrement W4323566916 · doi:10.3389/fpubh.2023.1103555

Characteristics, risk management and GMP standards of pharmaceutical companies in China

2023· article· en· W4323566916 sur OpenAlexaff
Hong Chen, Lijian Qin, Cong Jiang, Mingshuai Qin, Yanming Sun, Jingjing Luo

Notice bibliographique

RevueFrontiers in Public Health · 2023
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiquePharmaceutical Economics and Policy
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésBusinessGood manufacturing practiceQuality (philosophy)ChinaProduction (economics)Product (mathematics)Risk analysis (engineering)Industrial organizationMarketingAccountingFinanceEconomics

Résumé

récupéré en direct d'OpenAlex

The Good Manufacturing Practice (GMP) is one of the gold standards by which governments worldwide judge modern pharmaceutical companies' production processes and product-safety standards. However, in all the nations, it is difficult to obtain real data about GMP inspection results, so conducting the related research is impossible. Taking advantage of a rare chance to obtain the on-site GMP inspection results in China, we have been able to initiate an empirical analysis of how company characteristics and risk management affect the GMP inspection results of certain pharmaceutical companies. The 2SLS method regression was employed in this study. Our four main findings are as follows. First, compared with Chinese state-owned companies, foreign commercial and private enterprises are held to higher standards. Second, the GMP inspection results tend to be better for those enterprises whose main sources of capital are not dependent on bank loans. Third, enterprises with higher fixed assets tend to receive the better GMP inspection results. Fourth, the longer the quality authorized staff has worked in a company, the better the GMP inspection results expected of that enterprise. These findings offer insights into inspections and production improvements in China and other GMP-compliant countries.

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 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 enseignants0,335
Score d'incertitude au seuil0,670

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,062
Tête enseignante GPT0,328
Écart entre enseignants0,266 · 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

Citations8
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in Public HealthMême sujetPharmaceutical Economics and PolicyTravaux en français237 207