Tocilizumab in rheumatoid arthritis: A case study of safety evaluations of a large postmarketing data set from multiple data sources
Notice bibliographique
Résumé
OBJECTIVES: To evaluate the magnitude of serious adverse events (SAEs) observed in postmarketing reports of tocilizumab (TCZ) for rheumatoid arthritis (RA) in relation to SAEs observed in TCZ clinical trials and external epidemiology data. METHODS: A total of 64,000 patient-years (PY) of TCZ exposure was needed to determine, with 90% power, whether rates of SAEs of interest (eg, death, hepatic, gastrointestinal, and cardiovascular) were ≥50% higher (agreed with the Food and Drug Administration) than expected. Reporting rates were calculated for spontaneously reported SAEs, open-label or unblinded postmarketing clinical trials (phase 3b/4), and a Japanese postmarketing surveillance program in the global postmarketing safety database. Event rates were calculated for the registrational placebo-controlled trials and long-term extension data. External comparators for anti-tumor necrosis factor (aTNF)-treated RA patients were derived from a US-based health care insurance claims database or published literature. RESULTS: The global postmarketing safety database provided 65,099 PY of TCZ exposure; the aTNF external comparator population provided 53,360 PY. Spontaneous reporting rates per 100 PY (95% confidence interval) were 8.3 (8.1, 8.5) SAEs, 0.39 (0.34, 0.44) deaths, 0.06 (0.04, 0.08) serious hepatic events, 0.15 (0.12, 0.18) serious gastrointestinal events, 0.09 (0.07, 0.12) serious myocardial infarctions, 0.15 (0.12, 0.18) serious strokes, and 0.07 (0.05, 0.09) cardiac deaths in the global postmarketing safety database. These were of similar magnitude to corresponding rates from registrational clinical trials, the aTNF external comparator population, and published literature. CONCLUSIONS: SAE rates observed among postmarketing TCZ users were similar to those of various comparison populations. Predetermined design of studies to compare postmarketing AEs using multiple data sources is a useful strategy that can be applied to other medications.
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 | 0,033 | 0,074 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».