Current and recommended practices for evaluating adverse drug events using electronic health records: A systematic review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Electronic health records (EHR) are widely used sources of real‐world data in pharmacoepidemiologic research. As there is no end‐to‐end guidance for generating medication safety evidence with EHR, this study conducted a systematic review to determine the current and recommended practices in the literature. PubMed, Scopus, and CINAHL were searched for English articles published between 1 January 2010 and 11 June 2020. Selected articles were published in peer‐reviewed journals, conducted in the United States, analyzed structured EHR data, and defined drug exposure and adverse drug events (ADEs). The study evaluated methodological quality with a modified Newcastle‐Ottawa Scale (NOS) score ranging from 0 to 9 points. Data synthesis was performed with thematic analysis. Twenty‐six from 3885 articles were selected. The majority were cohort studies (85%). The studies were well designed, with a median NOS score of 9. Drug exposure was defined with dispensing (58%) and prescribing (31%) records. ADEs were defined across five categories: diagnosis codes (77%), validated outcome algorithms (35%), objective measures (35%), treatment procedures (19%), and antidotes (2%). Common covariates were age (89%), gender (85%), comorbidities (81%), and medication‐co‐medication use (73%). Four studies (15%) empirically defined covariates in a data‐driven manner. Twenty‐two (85%) analyzed covariates as confounders or effect modifiers in their analyses. Results were analyzed with either intention‐to‐treat (73%) or as‐treated (39%) approaches. Key recommendations include selecting dispensing rather than prescribing records, considering a proxy date of dispensation where applicable, selecting new instead of prevalent drug users, improving adoption of validated outcome algorithms, and not utilizing objective measures as the primary indicator of ADEs.
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.
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 | 0,018 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,003 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,004 |
| 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 découle