Sex-specific risk profiles of drug-associated joint stiffness and deformity: a FAERS-based pharmacovigilance study with Canadian Vigilance Adverse Reaction Database validation
Notice bibliographique
Résumé
OBJECTIVES: Joint stiffness and joint deformity are debilitating musculoskeletal adverse drug reactions, yet their risk profiles and sex-specific differences remain poorly characterised. This study aimed to identify drug-associated safety signals and sex disparities using real-world pharmacovigilance data. METHODS: Adverse event reports from the FDA Adverse Event Reporting System (FAERS; Q1 2004-Q2 2025) were analysed. Drug names and events were standardised using RxNorm and MedDRA 27.1. Disproportionality analyses (ROR) with false discovery rate correction were performed overall and by sex. External validation was conducted using the Canadian Vigilance Adverse Reaction Database (CVARDD). Weibull modelling assessed time-to-onset patterns. RESULTS: We identified 23,763 joint stiffness and 1,414 joint deformity reports, predominantly in females. For joint stiffness, frequently implicated drugs included methotrexate, dupilumab, and fluoroquinolones, alongside 20 newly detected signals (e.g. contrast media, ROR=217.1; gadopentetic acid, ROR=26.14). For joint deformity, alendronic acid, valproic acid, and somatropin showed strong associations, and nine novel signals were identified (e.g. vosoritide, ROR=125.78). Sex-stratified analyses revealed distinct risk profiles: females were more susceptible to bone metabolism and endocrine drugs, whereas males exhibited higher risks with enzyme replacement therapies. Time-to-onset analyses showed an early-failure pattern, with median onset as early as 63 days for methotrexate. Major signals were confirmed by the CVARDD. CONCLUSIONS: This study provides comprehensive real-world evidence of sex-specific differences in drug-associated joint stiffness and deformity, identifies 29 previously unreported signals, and highlights the early-onset nature of these adverse events. These findings support targeted monitoring and personalised risk management, and may inform future updates to drug safety labelling.
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 | 0,009 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».