Potential for Detection of Safety Signals for Over-the-Counter Medicines Using National ADR Spontaneous Reporting Data: The Example of OTC NSAID-Associated Gastrointestinal Bleeding
Notice bibliographique
Résumé
One post-marketing surveillance challenge for many regulatory authorities is access to information regarding the safety of over-the-counter (OTC) medicines. National spontaneous adverse drug reaction (ADR) report data represent a rich potential data source for the detection of safety signals associated with OTC medicines, yet little is known regarding the possibility of detecting safety signals for OTC medicines within these datasets. The aim of this study was to evaluate the potential for detecting safety signals for OTC medicines in National ADR spontaneous reporting data, using OTC non-steroidal anti-inflammatory drugs (NSAIDs) and gastrointestinal bleeding as an example. Data from the Australian Adverse Drug Reactions System (ADRS) dataset (1971-2008) and the Canadian Vigilance Adverse Reaction Online Database (VAROD) (1965-2013) were used to explore the feasibility of using spontaneous reporting data, exploring the association between gastrointestinal bleeding and the use of OTC NSAIDs. Safety signals were examined using disproportionality analyses and reporting odds ratios calculated. After adjusting for age, gender, medications known to increase the risk of bleeding, and medications used for the management of conditions associated with an increased risk of bleeding, a two-fold increase in the risk of gastrointestinal (GI) bleeding with OTC NSAID was observed within each dataset. This study demonstrates that spontaneous ADR reporting data can be used in pharmacovigilance to monitor the safety of OTC medicines.
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 | 0,002 | 0,002 |
| 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 | 0,001 | 0,000 |
| 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 ».