Unlocking insights from mother-infant linked data in pharmacoepidemiology: opportunities, challenges, and future directions
Notice bibliographique
Résumé
Pregnant women and newborns are historically underrepresented in clinical trials, creating critical gaps in evidence on the safety and effectiveness of medications used during pregnancy. Real-world data (RWD) sources offer a promising avenue to address these gaps. To fully realize this potential, it is essential to link maternal and infant records accurately within and across diverse datasets. High-quality mother--infant linkage enables the robust evaluation of maternal medication use and its short- and long-term effects on both maternal and infant health. However, linking maternal and infant healthcare data introduces complex methodological and practical challenges. Achieving accurate linkage is often hindered by factors such as inconsistent personal identifiers, discrepancies in insurance coverage between mother and infant, data incompleteness, algorithmic accuracy, and strict data privacy regulations. Commonly used proxies for linkage (e.g. shared address or healthcare provider) may also be unreliable and can introduce misclassification or duplication. This commentary synthesizes current knowledge on mother--infant data linkage in RWD. It also systematically outlines the key challenges, emerging opportunities, and strategic directions to improve linkage quality and address privacy concerns in the identification of mother--infant dyads to support rigorous pharmacoepidemiologic research on maternal and infant health outcomes. By improving linkage methods and leveraging innovative approaches such as tokenization and validated algorithms, researchers can enhance the reliability of real-world evidence on maternal and infant health outcomes, including long-term follow-up across diverse data sources. Advancing these methodological frontiers is essential to generate evidence that supports safer and more informed treatment decisions for pregnant women and their children.
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 | 0,169 | 0,328 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,006 | 0,008 |
| Études des sciences et des technologies | 0,003 | 0,013 |
| Communication savante | 0,012 | 0,031 |
| Science ouverte | 0,005 | 0,010 |
| Intégrité de la recherche | 0,010 | 0,017 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 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 ».