The Potential Role of Ecotoxicological Data in National Essential Medicine Lists: A Cross-Sectional Analysis
Notice bibliographique
Résumé
BACKGROUND: Medicines affect the environment throughout their lifecycle, from production and distribution to use and disposal. They contribute to the pollution of air, water, and soil, impacting ecosystems and human health. Recognizing these risks, regulatory bodies and organizations have highlighted pharmaceutical pollution as a global concern, emphasizing the need for environmental risk assessments and sustainable practices. METHODS: This study reviewed the essential medicines lists (EMLs) from 158 countries and examined the available ecotoxicological data. Medicines with high bioaccumulation, persistence, and toxicity were identified and cross-referenced with their inclusion in EMLs. Additionally, we analyzed the presence of alternative medicines with similar therapeutic effects but potentially lower environmental risks. RESULTS: Five medicines-ciprofloxacin, ethinylestradiol, levonorgestrel, ibuprofen, and sertraline-were selected as illustrative examples due to their high environmental persistence and toxicity. All were listed in the 2023 WHO model list, with ciprofloxacin appearing in 94.3% of national EMLs. CONCLUSIONS: This study underscores the limited availability of ecotoxicological data, which hinders environmental risk assessment for medicines. EMLs could serve as a tool to enhance the awareness and data mobilization of pharmaceutical pollution. Incorporating environmental criteria into EMLs could support more sustainable medicine selection and regulatory practices.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,017 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».