Pharmacovigilance in Cell and Gene Therapy: Evolving Challenges in Risk Management and Long-Term Follow-Up
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
Cell and gene therapies, including CAR T-cells, CRISPR-based genome editing, and next-generation viral and non-viral delivery platforms, are transforming treatment paradigms across cancer, rare genetic disorders, immune dysregulation, and neurodegenerative disease. These therapies offer curative potential but also present safety challenges owing to prolonged biological activity, systemic immune engagement, and lasting genomic alterations. This review examines the range of related toxicities, including immune complications, genotoxicity, and organ-specific effects, with attention to atypical presentations, gaps in clinical trial safety capture, and disparities in global long-term follow-up infrastructure. Central to our analysis is a risk-adaptive, digitally enabled pharmacovigilance model that incorporates real-world data, artificial intelligence-based signal detection, and seamless pediatric-to-adult follow-up to proactively protect patients while supporting innovation. Integrated safety dashboards, pediatric transition roadmaps, and predictive monitoring tools are proposed as practical solutions to improve coordination among sponsors, regulators, and clinical sites. We also outline best practices for aligning risk evaluation and mitigation strategies with risk management plans and examine how wearable biosensors, electronic patient-reported outcomes, and multi-omics biomarkers contribute to near real-time safety surveillance. Ethical priorities such as informed consent, data privacy, and equitable access are addressed throughout. By positioning pharmacovigilance as a proactive and predictive foundation within the therapeutic landscape, this review offers a forward-looking blueprint to advance innovation while ensuring long-term patient safety.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,001 |
| 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