Study design for a comprehensive assessment of biologic safety using multiple healthcare data systems
Notice bibliographique
Résumé
BACKGROUND: Although biologic treatments have excellent efficacy for many autoimmune diseases, safety concerns persist. Understanding the absolute and comparative risks of adverse events in patient and disease subpopulations is critical for optimal prescribing of biologics. PURPOSE: The Safety Assessment of Biologic Therapy collaborative was federally funded to provide robust estimates of rates and relative risks of adverse events among biologics users using data from national Medicaid and Medicare plus Medicaid dual-eligible programs, Tennessee Medicaid, Kaiser Permanente, and state pharmaceutical assistance programs supplementing New Jersey and Pennsylvania Medicare programs. This report describes the organizational structure of the collaborative and the study population and methods. METHODS: This retrospective cohort study (1998-2007) examined risks of seven classes of adverse events in relation to biologic treatments prescribed for seven autoimmune diseases. Propensity scores were used to control for confounding and enabled pooling of individual-level data across data systems while concealing personal health information. Cox proportional hazard modeling was used to analyze study hypotheses. RESULTS: The cohort was composed of 159,000 subjects with rheumatic diseases, 33,000 with psoriasis, and 46,000 with inflammatory bowel disease. This report summarizes demographic characteristics and drug exposures. Separate reports will provide outcome definitions and estimated hazard ratios for adverse events. CONCLUSION: This comprehensive research will improve understanding of the safety of these treatments. The methods described may be useful to others planning similar evaluations.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».