Gastrointestinal perforation associated with novel antineoplastic agents: A real-world study based on the FDA Adverse Event Reporting System
Notice bibliographique
Résumé
Purpose: Gastrointestinal perforation (GIP) is a fatal adverse event (AE). The AE of GIP induced by novel antineoplastic agents has attracted attention recently. We aimed to explore the AE signals of GIP related to novel antineoplastic agents comprehensively based on the FDA Adverse Event Reporting System (FAERS). Methods: The FAERS database containing 71 quarters of records was used for analysis. Reporting odds ratio (ROR), information component (IC), and empirical Bayesian geometric mean (EBGM) were utilized to evaluate the signals of GIP associated with novel antineoplastic drugs. Standardization of drug names was by employing MedEx-UIMA software and Python. Data analysis and visualization were performed using MySQL Workbench and R software. Results: After cleaning and handling the data, 5226 GIP cases were identified that were associated with new antineoplastic medications, where these agents were the main suspected contributors. A total of 37 novel antineoplastic drugs were detected with signals of GIP for ROR and IC. Only 22 drugs showed statistically significant signals for EBGM. We found the GIP signals of 22 novel antineoplastic drugs overlapped for the 3 indicators, including anti-vascular endothelial growth factor/vascular endothelial growth factor receptor, anti-endothelial growth factor receptor, immune checkpoint inhibitors, and so on. Conclusion: The potential risk of GIP associated with several novel antineoplastic agents was identified through data mining, which provided valuable information on the safety risks associated with GIP among these drugs. The potential threat of GIP should be recognized and managed properly when using these novel antineoplastic agents.
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 | 0,010 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».