The Risk of Glioblastoma with TNF Inhibitors
Notice bibliographique
Résumé
PURPOSE: To quantify the risk of glioblastoma (GBM) and its most aggressive form, glioblastoma multiforme (GBM-M), in patients treated with tumor necrosis factor (TNF) inhibitors. METHODS: Data from the U.S. Food and Drug Administration (FDA) Adverse Event Reporting System (FAERS) and the World Health Organization (WHO) Collaborating Centre for International Drug Monitoring were used to perform a disproportionality analysis. We computed reporting odds ratios (RORs) and corresponding 95% confidence intervals for the association between use of TNF inhibitors (infliximab, adalimumab, etanercept, certolizumab, and golimumab) and GBM or GBM-M compared to all other drugs with adverse events reported in the databases. A harmful signal was deemed for a lower limit of the 95% confidence interval above 1. RESULTS: We identified 81 cases of GBM or GBM-M with adalimumab in the U.S. FDA FAERS and 49 cases in the WHO drug monitoring database. For infliximab, 40 and 32 cases were identified in the FAERS and WHO databases, respectfully. Infliximab had the highest association with GBM (WHO: ROR = 7.41 (5.19-10.57), FAERS: ROR = 2.80 [1.89-4.15]). Adalimumab was also highly associated with GBM (WHO: ROR = 3.54 [2.58-4.89], FAERS: ROR = 1.99 [1.41-2.80]). CONCLUSION: Several TNF inhibitors appear to be more strongly associated with GBM compared to other drugs in both the FAERS and WHO databases. Large epidemiologic studies are needed to confirm these findings. Although these results do not demonstrate a cause-and-effect relationship, they warrant further investigation by well-designed epidemiologic studies.
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 | 0,001 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».