Tests de lisibilité des notices patient dans l'industrie pharmaceutique (aspects réglementaires, contraintes et opportunités)
Bibliographic record
Abstract
La notice d'un médicament est le seul lien direct entre l'industriel et les patients et représente la source principale d'information, reflet de l'Autorisation de Mise sur le Marché (AMM). En France, la notice est très réglementée. Elle répond à des exigences européennes et nationales pour un bon usage du médicament. Les associations internationales de patients sont très actives et font pression pour avoir des notices accessibles et de qualité. Le développement de notices plus lisibles et plus structurées répond donc également à un besoin politique de communication et de transparence. Les tests de lisibilité sont devenus obligatoires en octobre 2005 pour les procédures d'enregistrement européennes et en mai 2008 pour les renouvellements d'AMM en procédure nationale. La 1ère partie de cette thèse présente les textes réglementaires relatifs au contenu, à la mise en page des notices et aux tests de lisibilité. Dans le cadre d'une mission au sein de Sanofi Pasteur, j'ai suivi différents tests de lisibilité. Ces tests étant généralement réalisés par des sous-traitants spécialisés, la sélection de ces sous-traitants et les contraintes rencontrées sont décrites dans la seconde partie de cette thèse. Enfin, 2 cas pratiques de tests sont analysés dans la dernière partie ; les notices européennes sont ensuite comparées aux "notices" américaines et canadiennes, mettant ainsi en évidence le bénéfice des tests de lisibilité en Europe.
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 | 0.010 | 0.029 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.022 | 0.007 |
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".