Data Sheet 1_Drug-induced Parkinson-like events: a real-world study from 2004 to the first quarter of 2024 based on FAERS.docx
Notice bibliographique
Résumé
Background Timely identification of drug-induced Parkinson-like events is essential to improve clinical management and enhance patients’ quality of life. However, there is a significant lack of studies addressing these events in real-world settings. Methods To bridge this gap, we analyzed adverse event (AE) reports related to Parkinson-like events from the FDA Adverse Event Reporting System (FAERS) database from the first quarter of 2004 to the first quarter of 2024. Our objective was to summarize a list of potential drugs at high risk for Parkinson-like events and their corresponding proportions of AE reports. Results As a result, a total of 54,639 AE reports linked to Parkinson-like events involving 1,224 drugs were identified. Among these, carbidopa/levodopa exhibited the highest number of reports, followed by baclofen and pimavanserin. The most frequently reported drug class was antiparkinsonian drugs and psycholeptics, followed by psychoanaleptics. Using two disproportionate analysis methods, the reporting odds ratio and proportional reporting ratio, we found that 136 drugs exhibited positive results in both methods, while 1,063 drugs did not show any positive signals. Conclusion This study provides a comprehensive pharmacovigilance analysis of drugs associated with Parkinson-like events, aiming to promote rational drug use and inform clinical practice.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,014 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».