Trends in global glucose lowering medication consumption: Insights from pharmaceutical sales data (2010–2021)
Notice bibliographique
Résumé
Diabetes imposes a substantial global burden. Examining consumption trends of glucose lowering medications can help facilitate cross-country comparisons and uncover areas of unmet need. Leveraging IQVIA MIDAS data, our analysis spans 72 countries and 2 regions from 2010 to 2021, employing defined daily dose (DDD) as a consumption metric. We assessed consumption trends across income tiers and individual country rankings, exploring WHO essential medicines, insulin, new drug classes and specific drugs, with further analyses on their correlation with treatment guideline releases. Global glucose lowering medication consumption rate increased from 39.2 to 54.0 DDD per thousand inhabitants per day (DDD/TID) between 2010 and 2021. Across the same period, median consumption rates were 60.1 DDD/TID [IQR, 46.5-70.6] in high-income countries (HICs), 26.9 DDD/TID [IQR, 8.0-51.3] in upper-middle income countries (UMICs) and 10.8 DDD/TID [IQR, 6.5-18.5] in low- and lower-middle income countries (LMICs). While the most significant consumption changes occurred in UMICs and LMICs such as Bosnia, China and Indonesia, HICs such as Finland, Canada and USA consistently showed the highest consumption rates. Over the study period, the median consumption rates for essential medicines, insulin and new drug classes increased, except for intermediate-acting insulin and soluble insulin/biosimilars. HICs drove the consumption of fast-acting and long-acting insulin and new drug classes, whereas UMICs and LMICs drove the consumption of intermediate-acting insulin. This study sheds light on the global variations in glucose lowering medication consumption, providing insights to address access gaps, particularly in UMICs and LMICs.
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) | 0,000 | 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 ».