Effect of regulatory interventions on agomelatine use in Spain: A multiple intervention time‐series analysis in a nationwide electronic healthcare record database
Notice bibliographique
Résumé
BACKGROUND: Liver injury is an important identified risk for agomelatine and several measures were put in place to prevent and minimize such risk. The study aims to assess the impact of four interventions on the incidence of agomelatine use, particularly among patients aged ≥75 in Spain between 2011 and 2018. METHODS: Quasi-experimental interrupted time-series analysis to examine data from a nationwide electronic healthcare record database (BIFAP). Quarterly cumulative incidence of agomelatine use per 100 000 patients was calculated and the impact of four regulatory interventions was quantified. RESULTS: The incidence of agomelatine use decreased by 85% and 87% from first quarter 2011 to last quarter 2018 in patients below and above 75 years old, respectively. Regulatory actions taken were not associated with an immediate and significant falling level of use or slope. The incidence was less than expected 6 months after the first and third intervention for patients below and above 75 years old, and more than expected after the second and fourth intervention for both populations, though these analyses were underpowered to observe significant results. The downward trend became less pronounced, reaching a residual level of use, which remained stable in the last segment of the study period. CONCLUSION: New users of agomelatine decreased throughout the study period, starting before interventions took place. The effect of specific interventions might be masked by the progressive decrease tendency, constant over the study period. The effects of external factors that might overlap, unintended consequences, and issues concerning statistical modeling in situations where rates are already falling, should be considered when interpreting the results.
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 | 0,014 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».