MétaCan
Menu
Retour à la cohorte
Enregistrement W3161332649 · doi:10.1177/12034754211027509

Methods for Identifying Culprit Drugs in Cutaneous Drug Eruptions: A Scoping Review

2021· review· en· W3161332649 sur OpenAlexaff
Reetesh Bose, Selam Ogbalidet, Mina Boshra, Alexandra Finstad, Barbara Marzario, Christina M. Huang, Simone Fahim

Notice bibliographique

RevueJournal of Cutaneous Medicine and Surgery · 2021
Typereview
Langueen
DomaineMedicine
ThématiqueDrug-Induced Adverse Reactions
Établissements canadiensOttawa HospitalUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésMedicineCulpritDrugCausality (physics)MEDLINEPredictive valueIdentification (biology)Intensive care medicineInternal medicinePharmacology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Cutaneous drug eruptions are a significant source of morbidity, mortality, and cost to the healthcare system. Identifying the culprit drug is essential; however, despite numerous methods being published, there are no consensus guidelines. OBJECTIVES: Conduct a scoping review to identify all published methods of culprit drug identification for cutaneous drug eruptions, compare the methods, and generate hypotheses for future causality assessment studies. ELIGIBILITY CRITERIA: Peer-reviewed publications involving culprit drug identification methods. SOURCES OF EVIDENCE: Medline, Embase, and Cochrane Central Register of Controlled Trials. CHARTING METHODS: Registered PRISMA-ScR format protocol on Open Science Forum. RESULTS: In total, 109 studies and 26 reviews were included comprising 656,635 adverse drug events, most of which were cutaneous. There were 54 methods of culprit drug identification published, categorized as algorithms, probabilistic approaches, and expert judgment. Algorithms had higher sensitivity and positive predictive value, but lower specificity and negative predictive value. Probabilistic approaches had lower sensitivity and positive predictive value, but higher specificity and negative predictive value. Expert judgment was subjective, less reproducible, but the most frequently used to validate other methods. Studies suggest that greater accuracy may be achieved by specifically assessing cutaneous drug eruptions and using combinations of causality assessment categories. CONCLUSIONS: Culprit drug identification for adverse drug reactions remains a challenge. Many methods have been published, but there are no consensus guidelines. Using causality assessment methods specifically for cutaneous drug eruptions and combining aspects of the different causality assessment categories may improve efficacy. Further studies are needed to validate this hypothesis.

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)0,004
score de la tête « metaresearch » (Gemma)0,009
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,812
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,009
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0090,002
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,002
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 Opus0,178
Tête enseignante GPT0,495
Écart entre enseignants0,317 · 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'étudeAutre devis
Domainenon disponible
GenreSynthèse

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

En bref

Citations5
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Cutaneous Medicine and SurgeryMême sujetDrug-Induced Adverse ReactionsTravaux en français237 207