Early observations of Tier-3 drug shortages on purchasing trends across Canada: A cross-sectional analysis of 3 case-example drugs
Notice bibliographique
Résumé
BACKGROUND: To curb the growing impact of drug shortages, Health Canada developed the Tiered Notification and Communication Framework which assigns potential shortages a corresponding tiered status. Tier-3 is assigned to shortages with the greatest potential impact on the healthcare system. This study aims to describe drug purchasing trends in response to Tier-3 shortages using three case-examples. METHODS: We conducted a time-series analysis of monthly purchasing data for three out of 17 Tier-3 drug shortages (hydralazine, sarilumab, and medroxyprogesterone acetate) with publicly available reports in July 2021 and available IQVIA MIDAS data from January 2016 to December 2021. We assessed percent changes in purchasing at 1-, 3-, and 6-months after the onset of each Tier-3 drug shortage and interventional ARIMA modelling was used to assess the statistical significance. RESULTS: Medroxyprogesterone acetate experienced a significant shift (p = 0.0370) in purchasing following its shortage, and the 1-, 3-, and 6-month percent changes were +14.9%, +6.8% and -3.1%, respectively. Hydralazine and sarilumab did not show a significant shift. The 1-, 3-, and 6-month percent changes for hydralazine were +15.5%, +10.2%, and +9.6% respectively and +25.2%, +45.1% and +39.2 for sarilumab. CONCLUSIONS: These results indicate that drugs assigned a Tier-3 status may not show declines in purchasing in the months following status assignment, which may be due to policy responses following the assignment. However, more insight is needed into the mechanisms through which these policy measures impact shortages and whether they are functioning as intended.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 ».