Available Methods for Benefit-risk Assessment: Lessons for Inflammatory Bowel Disease Drugs
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Medical treatment for inflammatory bowel disease has advanced significantly over the two past decades. The advent of biologics and small molecules has revolutionised outcomes for patients with inflammatory bowel disease. Knowledge of drug pharmacology, indications, and adverse events is essential to ensure the best clinical care while minimising toxicity. Our aim was to review the literature on current methods of benefit-risk assessment, and consider their practical applicability to inflammatory bowel disease. METHODS: A literature search was conducted to investigate studies documenting benefit-risk assessment. RESULTS: Several structured frameworks and quantitative methodologies have been developed to evaluate benefit-risk profiles of drugs in a more comprehensive and consistent framework. Quantitative methods integrate benefit and risk outcome measures or incorporate preference weights for benefit and risk criteria into the evaluation. Incorporation of preference weights from patients is an essential aspect of quantitative benefit-risk assessment. Benefit-risk assessment is still evolving in inflammatory bowel disease. CONCLUSIONS: The risks and benefits of each medical therapy must be discussed with the patient and a shared decision-making process is recommended. Future initiatives should be developed to perform a benefit-risk assessment considering the characteristics of inflammatory bowel disease drugs.
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 | 0,056 | 0,101 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,006 |
| Bibliométrie | 0,008 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,006 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,005 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».