Infection profile of immune-modulatory drugs used in autoimmune diseases: analysis of summary of product characteristic data
Notice bibliographique
Résumé
OBJECTIVE: Serious infection remains a concern when prescribing immune-modulatory drugs for immune-mediated inflammatory diseases. The 'summary of product characteristics' (SmPCs) provide information on adverse events for example, infections, from clinical trials and postmarketing pharmacovigilance.This review aimed to compare infection frequency, site and type across immune-modulatory drugs, reported in SmPCs. METHODS: The Electronic Medicines Compendium was searched for commonly prescribed immune-modulatory drugs used for: rheumatoid arthritis, spondyloarthritis, connective tissue disease, autoimmune vasculitis, autoinflammatory syndromes, inflammatory bowel disease, psoriasis, multiple sclerosis and/or other rarer conditions.Information was extracted on infection frequency, site and organisms. Frequency was recorded as per the SmPCs: very common (≥1/10); common (≥1/100 to<1/10); uncommon (≥1/1,000 to<1/100); rare (≥1/10,000 to<1/1,000); very rare (<1/10 000). RESULTS: 39 drugs were included, across 20 indications: 9 conventional synthetic disease-modifying anti-rheumatic drugs (csDMARDs), 6 targeted synthetic DMARDs, 24 biologic (b)DMARDs.Twelve infection sites were recorded. Minimal/no site information was available for most csDMARDs, certolizumab pegol and rituximab. Upper respiratory tract was the most common site, especially with bDMARDs. Lower respiratory, ear/nose/throat and urinary tract infections were moderately common, with clustering within drug groups.Data for 27 pathogens were recorded, majority viruses, with herpes simplex and zoster and influenza most frequent. Variable/absent reporting was noted for opportunistic and certain high-prevalence infections for example, Epstein-Barr. CONCLUSION: Our findings show differences between drugs and can aid treatment decisions alongside real-world safety data. However, data are likely skewed by trial selection criteria and varying number of trials per drug and highlight the need for robust postmarketing pharmacovigilance.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».