Causality assessment of adverse drug reaction: A narrative review to find the most exhaustive and easy-to-use tool in post-authorization settings
Notice bibliographique
Résumé
BACKGROUND: The core motive of pharmacovigilance is the detection and prevention of adverse drug reactions (ADRs), to improve the risk-benefit balance of the drug. However, the causality assessment of ADRs remains a major challenge among clinicians, and none of the available tools of causality assessment used for assessing ADRs have been universally accepted. OBJECTIVE: To provide an up-to-date overview of the different causality assessment tools. METHODS: We conducted electronic searches in MEDLINE, EMBASE, and the Cochrane database. The eligibility of each tool was screened by three reviewers. Each eligible tool was then scrutinized for its domains (the reported specific set of questions/areas used for calculating the likelihood of cause-and-effect relation of an ADR) to discover the most comprehensive tool. Finally, we subjectively assessed the tool's ease-of-use in a Canadian, Indian, Hungarian, and Brazilian clinical context. RESULTS: Twenty-one eligible causality assessment tools were retrieved. Naranjo's tool and De Boer's tool appeared the most comprehensive among all the tools, covering 10 domains each. Regarding "ease-of-use" in a clinical setting, we judged that many tools were hard to implement in a clinical context because of their complexity and/or lengthiness. Naranjo's tool, Jones's tool, Danan and Benichou's tool, and Hsu and Stoll's tool appeared to be the easiest to implement into various clinical contexts. CONCLUSION: Among the many tools identified, 1981 Naranjo's scale remains the most comprehensive and easy to use for performing causality assessment of ADRs. Upcoming analysis should compare the performance of each ADR tool in clinical settings.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».