Systematic procedure for the classification of proven and potential teratogens for use in research
Notice bibliographique
Résumé
BACKGROUND: Although there is strong evidence that some medications are teratogenic, the current lists of teratogens to be used in research are outdated. The objective of this study was to develop an updatable and systematic procedure to the classification of medications proven and potentially teratogenic in the first trimester of pregnancy, for use in research. METHODS: We developed a two-step procedure for teratogen classification. Step 1 includes classifying the medications from Drugs in Pregnancy and Lactation: a Reference Guide to Fetal and Neonatal Risk (9th ed.) into two provisional lists: (1) teratogenic medications, and (2) potentially teratogenic medications. We also searched other references to add other medications. In Step 2, the Teratology Information System (TERIS) database was searched, and the medication was classified as teratogenic or potentially teratogenic according to a newly developed scheme. Expert consensus was used if a medication was not recorded in TERIS. RESULTS: A total of 114 medications were identified in Drugs in Pregnancy and Lactation: a Reference Guide to Fetal and Neonatal Risk, with 57 medications in each provisional list. Seventy-eight medications were identified in other sources. A total of 135 medications were included in Step 2; the TERIS scheme classified 23 medications, and 112 medications required expert opinion. The two experts agreed on 78.6% of the medications (kappa = 0.63). We identified 91 teratogenic and 81 potentially teratogenic medications. CONCLUSION: Using reliable references, we established a systematic procedure to the classification of medications with evidence of or potential teratogenic risk. These exhaustive lists will be useful in teratology research and related fields.
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 | 0,005 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».