MétaCan
Menu
Retour à la cohorte
Enregistrement W2980883791 · doi:10.1002/cpt.1698

Reproducing Protocol‐Based Studies Using Parameterizable Tools—Comparison of Analytic Approaches Used by Two Medical Product Surveillance Networks

2019· article· en· W2980883791 sur OpenAlexafffundabout
Ting‐Ying Huang, Emily C. Welch, Mayura Shinde, Robert W. Platt, Kristian B. Filion, Laurent Azoulay, Judith C. Maro, Richard Platt, Sengwee Toh

Notice bibliographique

RevueClinical Pharmacology & Therapeutics · 2019
Typearticle
Langueen
DomaineMathematics
ThématiqueAdvanced Causal Inference Techniques
Établissements canadiensCanadian Society of NephrologyInstitut universitaire en santé mentale de MontréalJewish General HospitalMcGill University
Organismes subventionnairesCanadian Institutes of Health ResearchU.S. Food and Drug Administration
Mots-clésProtocol (science)MedicineObservational studyHazardAcute pancreatitisEmergency medicinePharmacologyComputer scienceInternal medicinePathologyAlternative medicine

Résumé

récupéré en direct d'OpenAlex

The US Sentinel System and the Canadian Network for Observational Drug Effect Studies (CNODES) are two medical product safety surveillance networks. Using Sentinel's preprogrammed, parameterizable analytic tools, we reproduced two protocol-based studies conducted by CNODES to assess the risks of acute pancreatitis and heart failure (HF) associated with the use of incretin-based drugs, compared with use of ≥ 2 oral hypoglycemic agents. Results from the replication new-user cohort analyses aligned with those from the CNODES nested case-control studies. The adjusted hazard ratios were 0.95 (0.81-1.12; vs. 1.03 (0.87-1.22) in CNODES) for acute pancreatitis and 0.91 (0.84-1.00; vs. 0.82 (0.67-1.00) in CNODES) for HF among patients without HF history. The CNODES's common protocol approach allows studies tailored to specific safety questions, whereas the Sentinel's common data model plus pretested program approach enables more rapid analysis. Despite these differences, it is possible to obtain comparable results using both approaches.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,788
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0020,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,722
Tête enseignante GPT0,622
Écart entre enseignants0,100 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2019
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueClinical Pharmacology & TherapeuticsMême sujetAdvanced Causal Inference TechniquesTravaux en français237 207