New Ways of Detecting ADRs in Neonates and Children
Notice bibliographique
Résumé
Severe adverse drug reactions (ADRs) cause 5-7% of all hospital admissions, an estimated 2,000,000 severe reactions, and over 100,000 deaths each year in the USA. A recent systematic review indicated that the overall incidence of ADRs was 11% in hospitalized children and 1% in outpatients. Detecting ADRs in neonates and children is challenging, particularly because there are fewer clinical trials involving children than adults and drug use in children is common without a labeled indication. Ontogeny and significant physiological changes related to age have an impact on metabolic drug clearance and pharmacodynamics in children compared to adults, as well as on drug action. A variety of strategies have been developed for the identification and further evaluation of ADRs, starting from case reports and advancing into more structured methodologies, such as active surveillance, for accumulating the necessary information. While each approach has merit, a comprehensive surveillance approach with different methods is required to monitor drug safety in the post-market period. Among the methods that have shown value in neonates and children are anecdotal reporting, voluntary organized reporting, prescription event monitoring, pharmacoepidemiology using administrative databases, and active surveillance. There is an urgent need to improve the evaluation of paediatric drug safety in the pre- and post-market phases of drug evaluation in order to better predict in whom serious harm may occur and better ensure the safe use of drugs for neonates and children.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,002 |
| 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 ».