Safety assessment of tafamidis: a real-world adverse event analysis from the FAERS database
Notice bibliographique
Résumé
BACKGROUND: Tafamidis emerged as the first FDA-approved drug for treating termed amyloid fibrils. This study aims to analyze adverse events (AEs) related to tafamidis from the second quarter (Q2) of 2019 to the fourth quarter (Q4) of 2023 from the FDA adverse event reporting system (FAERS) database. RESEARCH DESIGN AND METHODS: The AE data related to tafamidis from 2019 Q2 to 2023 Q4 were collected and standardized. Various signal quantification techniques, including reporting odds ratio (ROR), proportional reporting ratio (PRR), Bayesian confidence propagation neural network, and multi-item gamma Poisson shrinker, were employed for analysis. RESULTS: Among the 8742 AE reports with tafamidis as the primary suspected drug, 180 preferred terms of AEs spanning 27 different system organ classes were identified. Unique adverse events to tafamidis included renal and urinary disorders and ear and labyrinth disorders, with not mentioned in the official drug label. Additionally, uncommon but significantly strong AE signals, such as blood culture positive and acquired hemophilia, were observed. Common AEs with relatively high occurrence rates included death, off-label use, fall, hypoacusis, and dysphagia. CONCLUSION: These findings offer valuable insights for optimizing the use of tafamidis and reducing potential side effects, thereby facilitating its safe use in clinical settings.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».