A Real-World Pharmacovigilance Analysis of Lorlatinib-Associated Metabolic Effects Using the FDA Adverse Events Reporting System (FAERS) Database From 2013 to 2024
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
OBJECTIVE: The advent of anaplastic lymphoma kinase (ALK) inhibitors, including lorlatinib, has transformed the treatment of ALK-rearranged malignancies. While lorlatinib effectively overcomes resistance mutations and penetrates the central nervous system, its use is associated with metabolic adverse events, including hypercholesterolemia, hypertriglyceridemia, and weight gain. These complications increase cardiovascular risks, disrupt metabolic homeostasis, and may affect therapy adherence. METHODS: This study utilizes data from the FDA Adverse Event Reporting System and employs disproportionality analysis to investigate the prevalence and nature of lorlatinib-associated metabolic adverse events. RESULTS: Significant associations were identified between lorlatinib and lipid-related adverse events, including hypercholesterolemia (reporting odds ratio [ROR] = 98.46; 95% CI: 79.28-122.29), hypertriglyceridemia (ROR = 66.10; 95% CI: 49.60-88.11), increased body mass index (ROR = 81.57; 95% CI: 48.87-136.14), and increased blood cholesterol (ROR = 23.42; 95% CI: 19.69-27.86). Additional associations were noted for increased blood triglycerides (ROR = 28.14; 95% CI: 22.15-35.75) and dyslipidemia (ROR = 53.60; 95% CI: 38.51-74.60). CONCLUSION: These findings highlight the need for proactive monitoring and management of metabolic side effects in patients receiving lorlatinib. A multidisciplinary approach-incorporating pharmacologic interventions, lifestyle modifications, and regular monitoring-is essential to mitigate metabolic risks. This study enhances the understanding of lorlatinib's safety profile and informs clinical strategies to balance efficacy and tolerability in ALK inhibitor therapy.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| 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 découle