Identifying pregnancies in insurance claims data: Methods and application to retinoid teratogenic surveillance
Notice bibliographique
Résumé
PURPOSE: The purpose of the study is to develop an algorithm to identify pregnancies in administrative databases and apply it to assess pregnancy rates and outcomes in women prescribed isotretinoin or tretinoin. METHODS: Using the 2011 to 2015 Truven Health MarketScan Database, we identified pregnancies, including losses and terminations. In a cohort design, nonpregnant women filling a prescription for isotretinoin or tretinoin were matched to five women without either prescription. Women were followed for 365 days or until conception, medication discontinuation, or enrollment discontinuation ("prescription episode"). Rates of pregnancy, risks of pregnancy losses, and prevalence of infant malformations at birth were assessed by exposure. RESULTS: We identified 2 179 192 livebirths, 8434 stillbirths, 2521 mixed births, 415 110 spontaneous abortions, 124 556 elective terminations, and 8974 unspecified abortions. There were 86 834 isotretinoin and 973 587 tretinoin episodes, matched to 5 302 105 unexposed women. Pregnancy rates were 3 (isotretinoin), 19 (tretinoin), and 34 (unexposed) per 1000 person-years. Risk of spontaneous pregnancy losses were similar; however, terminations were more common in the isotretinoin-exposed (28% [95% CI: 21%-36%]) than the tretinoin-exposed (10% [95% CI: 9%-11%]) or unexposed pregnancies (6%). Malformations occurred in 4.5% (95% CI: 3.5%-5.6%) of the tretinoin-exposed pregnancies and 4.2% of the unexposed pregnancies (adjusted odds ratio: 1.16 [95% CI: 0.85-1.58]); isotretinoin-exposed births were too few to assess malformations. CONCLUSIONS: Administrative databases can complement risk evaluation and mitigation strategies (REMS) for known teratogens and contribute to safety surveillance for other medications. Here, isotretinoin-exposed pregnancy rates were low, but existent, and many pregnancies were terminated. Tretinoin exposure was not associated with a meaningfully elevated risk of losses or malformations as compared with unexposed pregnancies.
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 | 0,017 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».