Can current electronic systems meet drug safety and effectiveness requirements?
Notice bibliographique
Résumé
BACKGROUND: Every health policy jurisdiction is endeavoring to enhance its ability to evaluate drug effectiveness, safety and cost in the real world (pharmacosurveillance). METHODS: A nominal group consensus conference of stakeholders finalized data items deemed necessary for pharmacosurveillance. Large administrative datasets (LADs), electronic health records (EHRs) and electronic patient registries (PRs), were investigated as sources of this information and for their vulnerability to methodologic bias. Health data privacy legislation and research guidelines were systematically reviewed for their constraint to linked data resource analyses. RESULTS: More than 129 data items were strongly recommended for routine pharmacosurveillance. LADs had very complete information, but restricted to a small number of required data items. EHRs, especially with e-pharmacy links, offer by far the most complete set of health information domains but data entry completeness is highly variable. Adjustment methods for channeling bias are inadequate to mimic randomized trials. Anonymized, linked data held within a secure academic research environment, poses the least privacy concerns. CONCLUSIONS: Notwithstanding major technical, methodologic and privacy challenges, individual-level linkage of health data resources poses the best option for pharmacosurveillance today. In future, drug regulators and reimbursement agencies should consider mandatory post-marketing randomized trials.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,199 | 0,507 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,007 |
| Communication savante | 0,015 | 0,030 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,007 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,004 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».