Adherence patterns in naïve and prevalent use of infliximab and its biosimilar
Notice bibliographique
Résumé
INTRODUCTION: Although short-term clinical trials have demonstrated that switching from infliximab (INF) bio-originator to its biosimilar is safe with no significant loss of efficacy, there are limited real-world data comparing their patterns of use and adherence. METHODS: Using 2015-2018 IBM Marketscan data, we established 4 cohorts of patients with at least one administration or pharmacy claim for INF bio-originator or biosimilar in 2017, including INF naïve biosimilar users, INF prevalent biosimilar users, INF naïve bio-originator users, and INF prevalent bio-originator users, defined according to their prior use of INF from 2015 to their first INF administration in 2017. The proportion of days covered (PDC) was calculated for patients with at least 6, 12, or 18 months of follow-up time. Factors associated with optimal adherence (PDC > 80%) were evaluated using log-binomial models. RESULTS: We identified 96 INF naïve biosimilar users, 223 INF prevalent biosimilar users, 2,149 INF naïve bio-originator users, and 10,970 INF prevalent bio-originator users. At the end of 18 months of follow-up, 64% of INF prevalent bio-originators, 48% of INF naïve biosimilars, 41% of INF naïve bio-originators, and 36% of INF prevalent biosimilars had optimal adherence. Depression, previous hospitalization, and greater use of prior biologics were negatively associated with adherence, whereas IBD diagnoses (referent to RA) and age 55-64 (referent to < 35) were positively associated with high adherence. CONCLUSION: INF prevalent users had higher adherence in our analyses than INF naïve users. However, further studies with larger sample size are needed to evaluate INF biosimilar users' adherence.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».