A Systematic Review of Artificial Intelligence (AI) and Machine Learning (ML) in Pharmaceutical Supply Chain (PSC) Resilience: Current Trends and Future Directions
Notice bibliographique
Résumé
The resilience of the pharmaceutical supply chain (PSC) is crucial to ensuring the availability of medical products. However, increasing complexity and logistical bottlenecks have exposed weaknesses within PSC frameworks. These challenges underscore the urgent need for more resilient and intelligent supply chain solutions. Recently, Artificial Intelligence and machine learning (AI/ML) have emerged as transformative technologies to enhance PSC resilience. This study presents a systematic review evaluating the role of AI/ML in advancing PSC resilience and their applications across PSC functions. A comprehensive search of five academic databases (Scopus, the Web of Science, IEEE Xplore, PubMed, and EMBASE) identified 89 peer-reviewed studies published between 2019 and 2025. PRISMA 2020 guidelines were implemented, resulting in a final dataset of 32 studies. In addition to analyzing applications, this study identifies the AI/ML grouped into five main categories, providing a clearer understanding of their impact on PSC resilience. The findings reveal that despite AI/ML’s promise, significant research gaps persist. Particularly, AI/ML-driven regulatory compliance and real-time supplier collaboration remain underexplored. Over 59.3% of studies fail to address regulatory frameworks and ethical considerations. In addition, major challenges emerge such as the limited real-world deployment of AI/ML-driven solutions and the lack of managerial impacts on PSC resilience. This study emphasizes the need for stronger regulatory frameworks, broader empirical validation, and AI/ML-driven predictive modeling. This study proposes recommendations for future research to foster more efficient, transparent and ethical PSCs capable of navigating the complexities of global healthcare.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».