Drug-induced interstitial lung disease: a real-world pharmacovigilance study of the FDA Adverse Event Reporting System from 2004 to 2021
Notice bibliographique
Résumé
Background: Drug-induced interstitial lung disease (DILD) is an increasingly common cause of morbidity and mortality. However, due to the lack of specificity, DILD detection remains an unsolved public health challenge. Objectives: For the first time, we aimed to examine DILD reports submitted to the Food and Drug Administration (FDA) Adverse Event Reporting System (FAERS) to identify demographic characteristics and top drugs associated with DILD at a group level (including age, sex, drug class, and country stratification) and individual drug level. Design: A retrospective analysis of the FAERS database was examined by disproportionality analysis. Methods: We reviewed the FAERS database from 2004 to 2021, using search terms 'interstitial lung disease' and sorting cases by generic drug name. The reporting odds ratio, proportional reporting ratio, and Bayesian confidence propagation neural network were calculated as the measure of strength of association. Results: There were 32,821 DILD reports in the FAERS. After excluding reports without age, sex, or country data according to the specific measurement, the median age of patients was 68 (interquartile range: 59), 54.77% were male, and 46.00% of reports came from Japan. The top drug classes related to DILD in the FAERS were antineoplastic, followed by cardiovascular and antirheumatic agents, in varying order in different sexes. Fam-trastuzumab deruxtecan-nxki, ramucirumab, and eribulin were the top three drugs with the highest strength of association. We also found some drugs without DILD in the labels, such as amiodarone, temsirolimus, and ursodiol. There are significant differences in DILD reports in various countries. For example, the United States and France reported more cardiovascular agents, whereas Canada reported more antirheumatic agents. Conclusion: We found the top drugs and drug classes that were associated with DILD in the FAERS, which provides a real-world window for different ages, sexes, and countries to formulate precise pharmacovigilance policies.
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 | 0,008 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».