Adverse events related to drug–drug interactions in COVID-19 patients. A persistent concern in the post-pandemic era: a systematic review
Notice bibliographique
Résumé
INTRODUCTION: Since COVID-19 patients are often polytreated, monitoring drug-drug interaction (DDIs) is necessary. We evaluated whether drugs used after the second COVID-19 pandemic wave were associated with DDI-related adverse events and the role of drug interaction checkers in identifying them. METHODS: The study (PROSPERO-ID: CRD42024507634) included: 1) consulting the drug interaction checkers Drugs.com, Liverpool COVID-19 Interactions, LexiComp, Medscape, and Micromedex; 2) systematic review; 3) reviewed studies analysis; 4) evaluating drug interaction checkers potential to anticipate DDI-related adverse events.The systematic review was performed searching PubMed, Scopus, ScienceDirect, and Cochrane databases from 1 March 2022 to 11 November 2023. Observational studies, and clinical trials were included. Article without reporting direct association between DDIs and adverse events were excluded. The risk of bias was assessed by Newcastle-Ottawa scale. RESULTS: The most frequent DDIs involved nirmatrelvir/ritonavir (N/R) and fluvoxamine. Fifteen studies, including 150 patients and 35 DDI-related outcomes, were analyzed. The most frequent DDIs involved tacrolimus with N/R, resulting in creatinine increase.Eighty percent of reported DDI-related adverse events would have been identified by all drug-interaction checkers, while the remaining 20% by at least 2 of them. CONCLUSIONS: Drug interaction checkers are useful but show inconsistencies. Multiple sources are needed to tailor treatment in the context of COVID-19.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,003 |
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; les deux têtes enseignantes 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 ».