Novel use of electronic health record (EHR) to estimate the prevalence of off-label prescribing, determinants and its association with adverse drug events (ADE)
Bibliographic record
Abstract
Contexte Les effets indésirables des médicaments (EIM) sont une cause importante de mortalité. Les méthodes actuelles de pharmacovigilance sous-estiment l'incidence des EIM et sont inefficientes. De plus, les médecins prescrivent souvent des médicaments pour des indications pour lesquelles ils n'ont pas été approuvés (usage non indiqué), une pratique associée à des EIM hautement médiatisés. Il y a donc un urgent besoin de développer de nouvelles méthodes de pharmacovigilance. À cette fin, les dossiers de santé électroniques (DSE) pourraient être utiles, notamment si l'indication de traitement et la raison justifiant l'arrêt d'un médicament y sont documentées.Objectifs1) Déterminer l'exactitude d'un DSE à documenter les arrêts de traitement médicamenteux; 2) Déterminer la sensibilité et la valeur prédictive positive d'un DSE à documenter les indications de traitement; 3) Évaluer la prévalence des prescriptions non indiquées en soins primaires et les déterminants y étant associées. 4) Déterminer l'association entre l'utilisation non indiquée des médicaments et les EIM. Méthodes Pour atteindre ces objectifs de recherche, j'ai réalisé quatre études en utilisant le DSE Medical Office of the XXI century (MOXXI). Premièrement, j'ai mené une étude de validation afin d'évaluer la sensibilité, la spécificité et les valeurs prédictives positive (VPP) et négative (VPN) du DSE MOXXI à documenter les ordonnance d'arrêt de traitement. Deuxièmement, j'ai mené une étude de validation afin d'évaluer la sensibilité et la VPP de MOXXI à documenter les indications de traitement. Troisièmement, j'ai estimé la prévalence de l'usage non indiqué des médicaments en soins primaires, ainsi que la robustesse des données supportant ce type d'usage. Quatrièmement, j'ai utilisé MOXXI afin d'évaluer l'association entre l'usage non indiqué des médicaments et les EIM. Résultats Manuscrit 1 La sensibilité de MOXXI à identifier des arrêts de traitements est de 67,0% (IC à 95%: 54,1 - 77,7), la spécificité est de 99,7% (IC 95%: 99,5, 99,9), la VPP est de 97,3% (IC à 95%: 95,6 - 98,7). Manuscrit 2 La sensibilité de l'indication de traitement documentée dans MOXXI était de 98,5% (IC à 95%; 96,5% - 99,5%) et sa VPP était de 97,0% (IC à 95%, 94,2% - 98,6%). Manuscrit 3 La prévalence de l'usage non indiqué des médicaments est de 11,0% parmi 253 347 prescriptions reçues par 50 823 patients. On estime que 79,0% des prescriptions non indiquées ne sont pas justifiées empiriquement. L'usage non indiqué des médicaments est le plus élevé pour les médicaments du système nerveux central (26,3%), dont les anticonvulsivants (66,6%), les antipsychotiques (43,8%) et les antidépresseurs (33,4%). Des taux élevés d'usages non indiqués des médicaments ont été démontrés pour les médicaments n'ayant que 1 ou 2 indications approuvées, les médicaments plus anciens, chez les femmes et pour les médecins plus empiristes. Manuscrit 4 Le taux d'EIM associé à un usage non indiqué des médicaments (19.8/10 000 personnes-mois) est plus élevé que celui pour les usages indiqués (12,5 pour 10.000 personnes-mois) [HR : 1,43; IC à 95% : 1,29 - 1,59)]. Les usages non indiqués, non justifiés empiriquement, ont un taux encore plus élevé d'EIM (21,8 pour 10.000 personnes-mois) par rapport aux usages indiqués [HR : 1,53; IC à 95% : 1,37 - 1,72]). Les patients plus jeunes, les femmes et les patients ayant reçu ≥8 médicaments ou des agents anti-infectieux ont un risque accru d'EIM. Conclusion Un DSE peut documenter avec précision les indications de traitement, les EIM et d'autres résultats de traitement. Les données relatives à l'indication de traitement pourraient être combinées à celles relatives aux résultats cliniques afin de créer un nouvel outil de pharmacosurveillance. L'usage non indiqué des médicaments est un déterminant indépendant des EIM. Les DSE devront intégrer les indications et les résultats de traitements afin de faciliter l'évaluation de la sécurité et de l'efficacité des médicaments.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.007 | 0.034 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".