The Risk of Tuberculosis in Patients with Rheumatoid Arthritis Treated with Tumor Necrosis Factor-α Antagonist: A Metaanalysis of Both Randomized Controlled Trials and Registry/Cohort Studies
Notice bibliographique
Résumé
OBJECTIVE: Tumor necrosis factor-α (TNF-α) antagonists have significantly improved treatment results in rheumatoid arthritis (RA), but have also increased the risk of tuberculosis (TB). Etanercept (ETN), adalimumab (ADA), infliximab (IFX), golimumab, and certolizumab pegol are the 5 drugs currently available on the market. This article aimed to evaluate the risk of TB infection from these 5 drugs for patients with RA. METHODS: We searched PubMed, EMBASE, COCHRANE library, OVID, and EBSCO for randomized controlled trials (RCT) of TNF-α antagonist versus control and registry/longitudinal cohort studies of 1 TNF-α antagonist versus another. The Mantel-Haenszel test was adopted to analyze risk ratio (RR) in this metaanalysis. RESULTS: Fifty RCT and 13 non-RCT were included in this study. No significant difference in TB risk was found in the RCT because of the short observational periods. In the non-RCT, TNF-α antagonist was associated with a higher TB risk in patients with RA (RR 4.03, 95% CI 2.36-6.88), and the TB incidence rates of IFX and ADA were 2.78 and 3.88 times, respectively, higher than that of ETN. Further, preventive treatment for latent TB infection (LTBI) was shown to reduce the TB risk by 65% (RR 0.35, 95% CI 0.15-0.82). CONCLUSION: This study demonstrated a significant increase in TB risk in patients with RA treated with TNF-α antagonists; among them, ETN is least likely to cause active TB. The study also proposes the necessity of LTBI prophylaxis in patients with RA.
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 | 0,030 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,037 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| 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; les deux têtes enseignantes 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 ».