Infectious side effects of baricitinib: a big data analysis based on VigiBase
Notice bibliographique
Résumé
Abstract Background and aim : baricitinib is an inhibitor of Janus-associated kinase (JAK) subtypes 1 and 2 with various effects on intracellular signaling pathways. Approved for rheumatoid arthritis (RA), and recently used for severe COVID-19, the prevalence of infections associated with baricitinib treatment has not been widely reported. We aimed to analyze the prevalence of infectious side effects in patients treated with baricitinib. Methods: using the WHO global pharmacovigilance database (VigiBase), we carried out an extensive data analysis of approximately 300 patients treated with baricitinib. The prevalence of infectious side effects was our main focus. Patients treated with baricitinib for the indication of severe COVID-19 were excluded. Results : the most prevalent infectious side effect of baricitinib was oral herpes (IC025 of 4.36) and herpes zoster infection (IC025 of 4.159). On the contrary, gastrointestinal viral infections, infectious pleural effusions and various viral pneumonias had low prevalence rates (IC025 values of 0.173; 0.093; and 0.188, respectively). Conclusion: based on a big data analysis, baricitinib was associated with infectious complications where oral herpes and herpes zoster infections shown to be more prevalent than previously reported. The immunomodulatory effect of baricitinib including cytokine effects on immune cells and the inhibition of numerous growth factors and cytokines such as IL-2, suppressing both innate and adaptive immune responses, are the most comprehensive mechanisms behind such side effects. Given the clinical indications for baricitinib (RA) and the current use in severe COVID-19, cautious approach should be taken before introducing baricitinib particularly in immunosuppressed patients.
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 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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».