A population‐based assessment of the potential interaction between serotonin‐specific reuptake inhibitors and digoxin
Notice bibliographique
Résumé
AIM: In vitro evidence suggests that some serotonin-specific reuptake inhibitors (SSRIs) inhibit P-glycoprotein, a multidrug efflux pump responsible for the elimination of several drugs including digoxin. We sought to determine if some SSRIs cause digoxin toxicity in the clinical setting. METHODS: Population-based nested case-control study set in Ontario, Canada from 1994 to 2001. We studied all patients 66 years or older treated with digoxin. Prescription and hospital admission records were analysed to determine the relationship between the initiation of SSRI therapy and hospital admission for digoxin toxicity in the subsequent 30 days. RESULTS: Among 245 305 older patients treated with digoxin, we identified 3144 cases of digoxin toxicity. After adjusting for potential confounders, we observed an increased risk of digoxin toxicity following initiation of paroxetine [odds ratio (OR) 2.8; 95% confidence interval (CI) 1.6, 4.7], fluoxetine (OR 2.9; 95% CI 1.5, 5.4), sertraline (OR 3.0; 95% CI 1.9, 4.7), and fluvoxamine (OR 3.0; 95% CI 1.5, 5.7). However, an elevated risk was also seen with tricyclic antidepressants (OR 1.5; 95% CI 1.0, 2.4) and benzodiazepines (OR 2.1; 95% CI 1.7, 2.5), drugs classes having no known pharmacokinetic interaction with digoxin. There was no statistical difference in the risk of digoxin toxicity among any of the agents tested. CONCLUSIONS: We found no major discrepancy in the risk of digoxin toxicity after initiation of various SSRI antidepressants, suggesting that the inhibition of P-glycoprotein by sertraline and paroxetine observed in vitro is unlikely to be of major clinical significance.
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 | 0,001 | 0,000 |
| 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 | 0,001 |
| 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 ».