How big is the medical writing industry? Why it matters
Notice bibliographique
Résumé
Medical writing is a key element in pharmaceutical companies' efforts to shape the relevant medical science literature. As part of what is called 'publication planning', medical writing can influence the knowledge base on which prescribers make decisions, and can build specific claims in targeted sales efforts. Most publication planning is done by hired medical education and communication companies (MECCs), with the rest done by other commercial entities, such as units of pharmaceutical companies or of contract research organizations, that provide essentially the same services as MECCs. Here we provide an estimate of the number of MECCs and comparable entities contributing to the medical science literature in English. To identify these companies, we collected data from Web of Science (858 named firms from 20 498 papers mentioning medical writing assistance), LinkedIn (410 company profiles), and Google and DuckDuckGo (68 company websites). After removing duplicates and false positives, we found 1148 MECCs and other comparable entities providing medical writing services. More than 50% of Web of Science papers that acknowledged medical writing support are sponsored by only ten pharmaceutical companies. Most of the remaining papers in our database are sponsored by other pharmaceutical, device, and biotechnology companies. This study likely undercounts MECCs, because it depends on some level of transparency in publications or other leakage of information. Our combining multiple sources for the data should limit the undercount of MECCs. The study does not identify MECCs that work exclusively in languages other than English.
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 | 0,032 | 0,170 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,013 | 0,025 |
| Études des sciences et des technologies | 0,005 | 0,009 |
| Communication savante | 0,020 | 0,025 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,005 |
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 ».