Immunotherapies and COVID-19 mortality: a multidisciplinary open data analysis based on FDA's Adverse Event Reporting System
Notice bibliographique
Résumé
During the COVID-19 pandemic, the risks and potential benefits of immunotherapies for the treatment of autoimmune disorders are still not well defined, and many cohort studies neither took the epidemiological dynamics of COVID-19 nor the potential capacities of the local healthcare systems in their outcome analysis into account. Due to a pronounced heterogeneity in the outcome reports of different participating countries, the large ‘COVID-19 Global Rheumatology Alliance registry’ addressed this issue using a ‘cluster design’ and shed light on factors associated with a more severe COVID-19 course in their study population.1 We here present data of the US Food and Drug Administration (FDA) Adverse Event Reporting System (FAERS),2 a postmarketing, self-reporting, open-access pharmacovigilance platform that contains international data of COVID-19 cases. Sources of FAERS are voluntary reports from healthcare professionals and consumers. We combine this data set with local measurements of the course of the pandemic (from Oxford University’s ‘Our World in Data’3) and the potential resiliency of the respective healthcare systems (from ‘World Bank’; see online supplemental table 1 for full source information). Only patients with the diagnosis of an autoimmune disorder and a single immunotherapy (required group size: n≥100) at the time point of COVID-19 were analysed by multivariable regression analysis (online supplemental figure 1), limiting the generalisability of our data, for example, concerning combination therapy scenarios (online supplemental figure 1).### Supplementary data [annrheumdis-2021-220679supp001.pdf] The mean age of patients in our cohort (n=2103) was 51.3 years (range 3–92 years; SD 14.9), female sex was more prevalent (1372/2103, 65.2%) and the majority of cases was reported in the USA/Canada (1285/2103, 61.1%). Inflammatory joint disease (846/2103, 40.2%), multiple sclerosis (474/2103, 22.5%) and inflammatory skin disease (435/2103, 20.7%) were the most prevalent diagnoses. Anti-tumour necrosis factor α (TNFα) therapies were the most frequently used medications for the …
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 | 0,035 | 0,084 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,005 |
| Bibliométrie | 0,010 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».