Methodological guidance for the use of real-world data to measure exposure and utilization patterns of osteoporosis medications
Notice bibliographique
Résumé
Observational studies of osteoporosis medications can provide critical real-world evidence (RWE) that fills knowledge gaps left by clinical trials. However, careful consideration of study design is needed to yield reliable estimates of association. In particular, obtaining valid measurements of exposure to osteoporosis medications from real-world data (RWD) sources is complicated due to different medication classes, formulations, and routes of administration, each with different pharmacology. Extended half-lives of bisphosphonates and extended dosing of denosumab and zoledronic acid require particular attention. In addition, prescribing patterns and medication taking behavior often result in gaps in therapy, switching, and concomitant use of osteoporosis therapies. In this review, we present important considerations and provide specialized guidance for measuring osteoporosis drug exposures in RWD. First, we compare different sources of RWD used for osteoporosis drug studies and provide guidance on identifying osteoporosis medication use in these data sources. Next, we provide an overview of osteoporosis pharmacology and how it can influence decisions on exposure measurement within RWD. Finally, we present considerations for the measurement of osteoporosis medication exposure, adherence, switching, long-term exposures, and drug holidays using RWD. Ultimately, a thorough understanding of the differences in RWD sources and the pharmacology of osteoporosis medications is essential to obtain valid estimates of the relationship between osteoporosis medications and outcomes, such as fractures, but also to improve the critical appraisal of published studies.
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 ».