Comparison of Online Patient Reviews and National Pharmacovigilance Data for Tramadol-Related Adverse Events: Comparative Observational Study
Notice bibliographique
Résumé
BACKGROUND: Tramadol is known to cause fewer adverse events (AEs) than other opioids. However, recent research has raised concerns about various safety issues. OBJECTIVE: We aimed to explore these new AEs related to tramadol using social media and conventional pharmacovigilance data. METHODS: This study used 2 data sets, 1 from patients' drug reviews on WebMD (January 2007 to January 2021) and 1 from the US Food and Drug Administration (FDA) Adverse Event Reporting System (FAERS; January 2016 to December 2020). We analyzed 2062 and 29,350 patient reports from WebMD and FAERS, respectively. Patient posts on WebMD were manually assigned the preferred terms of the Medical Dictionary for Regulatory Activities. To analyze AEs from FAERS, a disproportionality analysis was performed with 3 measures: proportional reporting ratio, reporting odds ratio, and information component. RESULTS: From the 869 AEs reported, we identified 125 new signals related to tramadol use not listed on the drug label that satisfied all 3 signal detection criteria. In addition, 20 serious AEs were selected from new signals. Among new serious AEs, vascular disorders had the largest signal detection criteria value. Based on the disproportionality analysis and patients' symptom descriptions, tramadol-induced pain might also be an unexpected AE. CONCLUSIONS: This study detected several novel signals related to tramadol use, suggesting newly identified possible AEs. Additionally, this study indicates that unexpected AEs can be detected using social media analysis alongside traditional pharmacovigilance data.
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 | 0,015 | 0,069 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».