MétaCan
Menu
Retour à la cohorte
Enregistrement W4386214213 · doi:10.1016/s2214-109x(23)00328-5

From private incentives to public health need: rethinking research and development for pandemic preparedness

2023· review· en· W4386214213 sur OpenAlexaff
Els Torreele, Daniel Wolfe, Michel D. Kazatchkine, Amadou A. Sall, Kiat Ruxrungtham, Joseph R A Fitchett, Joanne Liu, Gary Kobinger, Claudia Vaca-González, Carolina Gómez, Petro Terblanche, Soumya Swaminathan, Piero Olliaro, Helen Clark

Notice bibliographique

RevueThe Lancet Global Health · 2023
Typereview
Langueen
DomaineMedicine
ThématiqueGlobal Health and Surgery
Établissements canadiensMcGill University
Organismes subventionnairesOpen Society Foundations
Mots-clésPreparednessIncentiveEquity (law)BusinessPandemicPremiseCapacity buildingValue propositionEconomic growthCoronavirus disease 2019 (COVID-19)EconomicsMarketingPolitical scienceMedicineInfectious disease (medical specialty)Management

Résumé

récupéré en direct d'OpenAlex

Pandemic preparedness and response have relied primarily on market dynamics to drive development and availability of new health products. Building on calls for transformation, we propose a new value proposition that instead prioritises equity from the research and development (R&D) stage and that strengthens capacity to control outbreaks when and where they occur. Key elements include regional R&D hubs free to adapt well established technology platforms, and independent clinical trials networks working with researchers, regulators, and health authorities to better study questions of comparative benefit and real-world efficacy. Realising these changes requires a shift in emphasis: from pandemic response to outbreak control, from one-size-fits-all economies of scale to R&D and manufacture for local need, from de novo product development to last-mile innovation through adaptation of existing technologies, and from proprietary, competitive R&D to open science and financing for the common good that supports collective management and sharing of technology and know-how.

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)0,014
score de la tête « metaresearch » (Gemma)0,001
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: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,910
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0140,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0040,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,001
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 Opus0,487
Tête enseignante GPT0,543
Écart entre enseignants0,056 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations32
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Lancet Global HealthMême sujetGlobal Health and SurgeryTravaux en français237 207