Identifying Herbal Adverse Events From Spontaneous Reporting Systems Using Taxonomic Name Resolution Approach
Notice bibliographique
Résumé
The efficacy and safety of herbal supplements suffer from challenges due to non-uniform representation of ingredient terms within biomedical and observational health data sources. The nature of how supplement data are reported within Spontaneous Reporting Systems (SRS) can limit analyses of supplement-associated adverse events due to the use of incorrect nomenclature or failing to identify herbs. This study aimed to extract, standardize, and summarize supplement-relevant reports from two SRSs: (1) Food and Drug Administration Adverse Event Reporting System (FAERS) and (2) Canada Vigilance Adverse Reaction (CVAR) database. A thesaurus of plant names was developed and integrated with a mapping and normalization approach that accommodated misspellings and variants. The reports gathered from FAERS between the years 2004 and 2016 show 185,915 herbal and 7,235,330 non-herbal accounting for 2.51%. The data from CVAR found 36,940 reports of herbal and 503,580 non-herbal reports between the years 1965 and 2017 for a total of 6.83%. Although not all cases were actual adverse events due to numerous variables and incomplete reporting, it is interesting to note that the herbs most frequently reported and significantly associated with adverse events were as follows: Avena sativa (Oats), Cannabis sativa (marijuana), Digitalis purpurea (foxglove), Humulus lupulus (hops), Hypericum perforatum (St John’s Wort), Paullinia cupana (guarana), Phleum pretense (timothy-grass), Silybum marianum (milk thistle), Taraxacum officinale (Dandelion), and Valeriana officinalis (valerian). Using a scalable approach for mapping and resolution of herb names allowed data-driven exploration of potential adverse events from sources that have remained isolated in this specific area of research. The results from this study highlight several herb-associated safety issues providing motivation for subsequent in-depth analyses, including those that focus on the scope and severity of potential safety issues with supplement use.
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 | 0,023 | 0,085 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,026 | 0,019 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».