Inside “Operation Change Agent”: Mallinckrodt's Plan for Capturing the Opioid Market
Notice bibliographique
Résumé
CONTEXT: The United States is deeply entangled in an opioid crisis that began with the overuse of prescription painkillers. At the height of the prescription opioid crisis (2006-2012), Mallinckrodt Pharmaceuticals was the nation's largest opioid manufacturer. This study explores Mallinckrodt's strategies for expanding its market share by promoting a new opioid. METHODS: The authors used the Opioid Industry Document Archive to analyze the incentive structures, sales contests, and rhetorical strategy behind Mallinckrodt's "Operation Change Agent," a campaign to switch patients from OxyContin to Mallinckrodt-manufactured painkillers. A structured search of the archive in October 2022 retrieved 464 documents dated between 2010 and 2020. FINDINGS: The authors identified a range of Mallinckrodt's sales force motivational techniques, including hypertargeting high-decile prescribers, providing free trial kits, using emotion-based language to connect with prescribers, and strategies for opposing prescriber resistance. Throughout, managers used specific incentivization metaphors to frame strategies in terms of sport and ultramarathons. CONCLUSIONS: This research on internal corporate strategy joins the growing challenges to industry claims that opioid sales teams simply educated providers and helped fill existing demand for their products. It has important implications for regulatory policy and consumer protections that can better protect health in the face of competitive market forces.
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 | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 ».