Methodological Considerations on the Use of Cohort Designs in Drug-Drug Interaction Studies in Pharmacoepidemiology
Notice bibliographique
Résumé
Abstract Purpose of Review The evidence regarding the clinical effects of drug-drug interactions (DDIs) is scarce and limited. Pharmacoepidemiologic studies could help fill in this important knowledge gap. Here, we review the pharmacoepidemiology of DDIs with a focus on cohort designs. We also highlight the decision-making process with respect to different aspects of cohort study design, potential biases that may arise during this decision process, and mitigation strategies. Recent Findings Considering the pharmacologic mechanism of the DDI of interest as well as of the object drug and the precipitant drug separately at the design stage of cohort studies for DDIs will help minimize major biases such as prevalent user bias and confounding by indication. Confounding by indication could also be mitigated by using control precipitants. Further, the correct assignment of the cohort entry date via the application of a time-varying exposure definition can help minimize immortal time bias and prevalent user bias. Minimization of these biases may also potentially be achieved with recently developed tools such as target trial emulation and the prevalent new-user design; however, more research is needed in the area. Summary Careful consideration of the underlying pharmacology and the specifics of study design will help minimize major biases in cohort studies that aim to assess the clinical effects of DDIs. Recent methodological developments from other areas of pharmacoepidemiology could further improve the internal validity of DDI 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 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 | 0,606 | 0,748 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,009 |
| Bibliométrie | 0,005 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,007 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».