MétaCan
Menu
Retour à la cohorte
Enregistrement W4317567906 · doi:10.2196/41055

High-Throughput Assessment of Real-World Medication Effects on QT Interval Prolongation: Observational Study

2023· article· en· W4317567906 sur OpenAlexvenueno aff
Neal Yuan, Adam Oesterle, Patrick Botting, Sumeet S. Chugh, Christine M. Albert, Joseph E. Ebinger, David Ouyang

Notice bibliographique

RevueJMIR Cardio · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueCardiac electrophysiology and arrhythmias
Établissements canadiensnon disponible
Organismes subventionnairesNational Heart, Lung, and Blood InstituteNational Institutes of Health
Mots-clésQT intervalMedicineTorsades de pointesPharmacyMedical prescriptionObservational studyQRS complexDemographicsEmergency medicineInternal medicineSinus rhythmElectrocardiographyCardiologyDatabaseAtrial fibrillationPharmacologyFamily medicine

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Drug-induced prolongation of the corrected QT interval (QTc) increases the risk for Torsades de Pointes (TdP) and sudden cardiac death. Medication effects on the QTc have been studied in controlled settings but may not be well evaluated in real-world settings where medication effects may be modulated by patient demographics and comorbidities as well as the usage of other concomitant medications. OBJECTIVE: We demonstrate a new, high-throughput method leveraging electronic health records (EHRs) and the Surescripts pharmacy database to monitor real-world QTc-prolonging medication and potential interacting effects from demographics and comorbidities. METHODS: We included all outpatient electrocardiograms (ECGs) from September 2008 to December 2019 at a large academic medical system, which were in sinus rhythm with a heart rate of 40-100 beats per minute, QRS duration of <120 milliseconds, and QTc of 300-700 milliseconds, determined using the Bazett formula. We used prescription information from the Surescripts pharmacy database and EHR medication lists to classify whether a patient was on a medication during an ECG. Negative control ECGs were obtained from patients not currently on the medication but who had been or would be on that medication within 1 year. We calculated the difference in mean QTc between ECGs of patients who are on and those who are off a medication and made comparisons to known medication TdP risks per the CredibleMeds.org database. Using linear regression analysis, we studied the interaction of patient-level demographics or comorbidities on medication-related QTc prolongation. RESULTS: We analyzed the effects of 272 medications on 310,335 ECGs from 159,397 individuals. Medications associated with the greatest QTc prolongation were dofetilide (mean QTc difference 21.52, 95% CI 10.58-32.70 milliseconds), mexiletine (mean QTc difference 18.56, 95% CI 7.70-29.27 milliseconds), amiodarone (mean QTc difference 14.96, 95% CI 13.52-16.33 milliseconds), rifaximin (mean QTc difference 14.50, 95% CI 12.12-17.13 milliseconds), and sotalol (mean QTc difference 10.73, 95% CI 7.09-14.37 milliseconds). Several top QT prolonging medications such as rifaximin, lactulose, cinacalcet, and lenalidomide were not previously known but have plausible mechanistic explanations. Significant interactions were observed between demographics or comorbidities and QTc prolongation with many medications, such as coronary disease and amiodarone. CONCLUSIONS: We demonstrate a new, high-throughput technique for monitoring real-world effects of QTc-prolonging medications from readily accessible clinical data. Using this approach, we confirmed known medications for QTc prolongation and identified potential new associations and demographic or comorbidity interactions that could supplement findings in curated databases. Our single-center results would benefit from additional verification in future multisite studies that incorporate larger numbers of patients and ECGs along with more precise medication adherence and comorbidity 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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,021
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,035

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,021
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,041
Tête enseignante GPT0,375
Écart entre enseignants0,334 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations13
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR CardioMême sujetCardiac electrophysiology and arrhythmiasTravaux en français237 207