A retrospective cohort study of prescribing outcomes in outpatients treated with nirmatrelvir–Ritonavir for COVID-19 in an interdisciplinary community clinic
Notice bibliographique
Résumé
BACKGROUND: Large observational studies have demonstrated the real-world effectiveness of nirmatrelvir-ritonavir in preventing severe COVID-19 in higher risk individuals, but have provided limited information on other aspects of nirmatrelvir-ritonavir use. Our objective was to evaluate prescribing outcomes such as the prevalence of drug-drug interactions (DDI), adverse drug events (ADE) and treatment adherence in an outpatient community clinic setting. METHODS: We conducted a single-centre retrospective cohort study of adult outpatients prescribed nirmatrelvir-ritonavir in our community COVID-19 assessment clinic in Toronto, Ontario between March 3 and September 20, 2022. We performed a descriptive analysis of the patient population, DDIs, DDI interventions, treatment adherence, ADEs and clinical outcomes of patients prescribed nirmatrelvir-ritonavir. RESULTS: There were 637 individuals prescribed nirmatrelvir-ritonavir during the study period. The median age was 70, the median number of risk factors for severe disease were 2, 45% were immunocompromised and 82% had received 3 or more COVID-19 vaccine doses. 95% (542/572) completed the 5-day course of therapy with 68% (388/572) having complete symptom resolution by 28-day. Eleven percent (60/572) experienced recurrent symptoms following the completion of nirmatrelvir-ritonavir. Over 70% had one or more clinically significant DDIs requiring mitigation and 62% of patients experienced at least one ADE, which was most commonly dysgeusia or gastrointestinal-related. Ninety-five percent (542/572) of patients completed therapy as prescribed. Overall, hospitalization within 28 days was 3.3% with 1.2% attributed to COVID-19 and there were no deaths. INTERPRETATION: Nirmatrelvir-ritonavir was associated with a high prevalence of clinically significant DDIs, which required mitigation strategies and a high frequency of mild ADEs. Collaborative assessment to address medication alterations resulted in high treatment 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 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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».