Drug related adverse event assessment in neonates in clinical trials and clinical care
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
INTRODUCTION: Assessment of drug-related adverse events is essential to fully understand the benefit-risk balance of any drug exposure, weighing efficacy versus safety. This is needed for both drug labeling and clinical decision-making. Assessment is based on seriousness, severity and causality, be it more difficult to apply in neonates. Adverse event detection or prevention in the neonatal clinical setting is also more complicated because of polypharmacy, and off-label or unlicensed pharmacotherapy. AREAS COVERED: Tools became available to assess severity and causality of adverse events in neonates recruited in clinical trials. The first version of the Neonatal Adverse Event severity score (NAESS) reduced the inter-observer variability. Causality tools like the Naranjo score were also tailored to neonates. These tools are also instrumental to support proactive pharmacovigilance in clinical care, while multidisciplinary care teams and computerized pharmacovigilance using advanced data analysis, like machine learning are emerging approaches to develop effective decision strategies. EXPERT OPINION: All stakeholders involved in development of medicines or its clinical use should be aware of the limitations of the currently available assessment tools. Extension and optimization of these tools, advanced data analysis approaches, and capturing the variability in time-dependent physiology are warranted to improve pharmacovigilance in neonates.
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.
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 | 0,060 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,016 | 0,006 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découle