A real-world data analysis of topotecan in the FDA Adverse Event Reporting System (FAERS) database
Notice bibliographique
Résumé
The objective of this study was to monitor and identify adverse events (AEs) associated with topotecan, a medication used for the treatment of solid tumors, in order to improve patient safety and guide medication usage. To assess the disproportionality of topotecan-related AEs in real-world data, four algorithms (ROR, PRR, BCPNN, and EBGM) were employed as measures to detect signals of topotecan-associated AEs. A statistical analysis was conducted using data from the FAERS database, encompassing 9,511,161 case reports from 2004Q1 to 2021Q4. Among these reports, 1,896 were identified as primary suspected (PS) AEs related to topotecan, and 155 topotecan-related adverse drug reactions (ADRs) at the preferred terms (PTs) level were selected. The occurrence of topotecan-induced ADRs was analyzed across 23 organ systems. The analysis revealed several expected ADRs, such as anemia, nausea, and vomiting, which were consistent with the drug labels. Additionally, unexpected significant ADRs associated with eye disorders at the system organ class (SOC) level were identified, indicating potential adverse effects not currently mentioned in the drug instructions. This study identified new and unexpected signals of adverse drug reactions (ADRs) related to topotecan, providing valuable insights into the relationship between ADRs and topotecan usage. The findings highlight the importance of ongoing monitoring and surveillance to detect and manage AEs effectively, ultimately improving patient safety during topotecan treatment.
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 | 0,011 | 0,615 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 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; 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 ».