Evaluación de los contenidos de información de medicamentos en un grupo de agencias reguladoras de medicamentos
Bibliographic record
Abstract
OBJETIVO: Evaluar las diferencias de información publicada por el Invima y otras Autoridades Reguladoras de Medicamentos en relación a un grupo de variables seleccionadas y analizar las diferencias aplicando estrategias de visualización de datos. METODOLOGÍA: Estudio descriptivo de corte transversal, en el cual se comparan las diferencias en la información de medicamentos publicada en las agencias reguladoras de medicamentos. Para la definición de los criterios de comparación, más relevantes se utilizó la técnica Delphi como metodología de consenso. Las visualizaciones fueron desarrolladas en Roassal, en el entorno de programación de Grafoscopio/Pharo. RESULTADOS Y CONCLUSIONES: De 24 variables en las que hubo acuerdo de considerarlas importantes y claves por el panel de expertos; el 96% se identificaron en la Aemps, MHRA e Infarmed; el 92% en Anmat, TGA, Anvisa, Health Canada y FDA; el 80% en Anamed. El grupo de agencias en las que se identificó una menor cantidad de información publicada fueron Cofepris, Invima, Dirección Nacional de Farmacias y Drogas de Panamá, Digemid, Arcsa y el Ministerio de Salud pública de Uruguay en las que se identificó el 67%, 58%, 46%, 46%, 38% y 4%, respectivamente. Las ausencias comunes de información en el grupo de agencias con menor cantidad de información se presentó en las variables relacionadas con usos fuera de indicación (off-label), gestión del riesgo, efectos adversos, restricciones especiales, precauciones y advertencias, prospecto, almacenamiento y resumen de las características del producto, es decir que mayor la limitación se presenta en la información relacionada con prescripción y uso.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.064 | 0.175 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".