Causality assessment of adverse events by healthcare professionals in an academic hospital setting: a descriptive retrospective study
Notice bibliographique
Résumé
Assessing the causality of a drug product-related adverse event (AE) is a very important aspect of pharmacovigilance. However, it is unclear whether AEs are investigated for causality in a hospital setting. The aims of this study were to (1) evaluate the proportion of AEs for which causality is sought and (2) list the causality assessment (CA) tools used by healthcare professionals. This retrospective study includes 500 randomized patients (125 patients/year) admitted to a tertiary care academic hospital between 2018 and 2021. Electronic medical records were reviewed and relevant variables were extracted: (1) demographic, (2) hospitalization, (3) drug product, (4) AE, and (5) CA. A descriptive analysis was carried out (median, minimum–maximum, proportion) to characterize our sample. The characteristic of our sample was as follows: median age 69 years old (range: 21–96 years), 43.6% female, median comorbidities/patient 4 (0–12), and median hospital stay of 3 days (1–19). We identified a total of 9568 drug products and 2541 AEs, among these, 302 (8.4%) were serious AEs. No CA ( n = 0) or CA tools ( n = 0) were found in our sample. In this study, we report that no AEs, whether serious or non-serious, were subject to documented CA. Key points: Adverse events among drug users are frequent during hospital stay. Causality assessment of adverse events was poorly documented by healthcare professionals in a hospital setting.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».