Invited commentary: building rigorous clinical evidence for drug–drug interactions
Notice bibliographique
Résumé
Drug-drug interactions (DDIs) are a major cause of preventable adverse drug events. However, the clinical relevance of specific DDIs is often uncertain due to limited evidence beyond preclinical findings and pharmacokinetic studies. In this editorial, we discuss the recent study by Bea et al. (Am J Epidemiol. 2025;000(00):0000-0000), which assessed whether the pharmacologic interaction between hydrocodone and non-dihydropyridine calcium-channel blockers is associated with the risk of opioid overdose, finding no increased risk. We highlight the methodological strengths of the study, including the use of a control precipitant, the consideration of the order of drug initiation in concomitant use, and the application of multiple exposure definitions. At the same time, we outline remaining challenges-both in this study and more broadly in the DDI field-such as the appropriate selection of control precipitants and selection bias due to depletion of susceptibles. Finally, we briefly discuss potential applications of novel pharmacoepidemiologic methods for DDI studies and also ways to strengthen the rationale for DDI studies and prioritize study questions. Given the rising rates of polypharmacy that lead to increased concomitant use of medications potentially interacting with each other, pharmacoepidemiology is well positioned to generate clinically actionable evidence to guide medication 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.
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 | 0,048 | 0,262 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,008 |
| Communication savante | 0,007 | 0,012 |
| Science ouverte | 0,010 | 0,004 |
| Intégrité de la recherche | 0,068 | 0,068 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,011 |
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 ».