当前位置: 首页 > news >正文

基于FDA药物警戒数据库的阿培利斯相关不良事件安全信号评估

阿培利斯已获批用于乳腺癌治疗,随着其临床应用的逐步推广,全面掌握其安全性特征、精准识别潜在不良事件风险至关重要。为系统评估与阿培利斯相关的安全信号,本研究通过数据挖掘方法对美国食品药品监督管理局(FDA)药物警戒数据库进行了针对性分析。

本研究的数据来源于FDA不良事件报告系统(FAERS),检索时间范围限定为2019年第二季度至2022年第四季度。研究采用不成比例分析方法,通过计算报告比值比(ROR)评估各类不良事件(AEs)与阿培利斯之间的潜在关联,以挖掘相关安全信号。

研究共从FAERS数据库中提取到5,980,090份不良事件报告,其中18,149份报告的疑似药物为阿培利斯。对相同PRIMARYID(主要标识符)的报告进行合并后,最终纳入5647名患者的相关数据进行分析。结果显示,共识别出10类与阿培利斯相关且报告数量>50的系统器官分类(SOC),具体包括胃肠疾病、一般疾病及给药部位状况、代谢和营养障碍、皮肤及皮下组织疾病、检查及良性、恶性及未确定性肿瘤(包括囊肿和息肉)、免疫系统疾病、神经系统疾病、精神疾病、眼部疾病。时序分析表明,这些患者发生不良事件的中位时间为13天,四分位数间距(IQR)为7-70天;进一步统计发现,61.12%的不良事件发生在使用阿培利斯的第一个月内。

本研究通过对FAERS数据库的系统挖掘,为阿培利斯相关不良事件提供了更深入、广泛的认知,这一成果有望为临床实践中降低阿培利斯治疗相关不良事件风险提供重要参考。值得关注的是,研究识别出的具有新偏好术语(PT)的不良事件包括便秘、吞咽困难、糖尿病酮症酸中毒、进食障碍、荨麻疹、眼疾和视力模糊。此外,高达61.12%的病例在服用阿培利斯后30天内出现不良事件,提示临床在用药初期需加强安全监测,尤其关注上述新发现的不良事件类型,以便早期识别、及时干预,保障患者治疗安全。

http://www.jsqmd.com/news/234836/

相关文章:

  • 中文情感分析实战|基于StructBERT镜像快速部署WebUI与API
  • StructBERT情感分析镜像详解|附Python BERT实践对比案例
  • 轻量高效多模态模型落地指南|基于AutoGLM-Phone-9B的技术演进
  • 云原生部署(AWS/Azure)
  • 除了 Perfdog,如何在 Windows 环境中完成 iOS App 的性能测试工作
  • 只有 Flutter IPA 文件,通过多工具组合完成有效混淆与保护
  • 10分钟实现中文情感分析|基于StructBERT镜像快速部署
  • 中文情感分析技术难点与落地|StructBERT模型镜像全解析
  • StructBERT中文情感分析镜像发布|开箱即用,支持WebUI与API调用
  • 一句话理解pyside6的信号和槽机制
  • 如何高效做中文情感分析?试试这款集成WebUI的StructBERT镜像
  • 中文情感分析实战|基于StructBERT轻量级镜像快速部署
  • 中国高校屠榜2026 CSRankings!上交清华并列第一,北大AI封神
  • IP静态是什么意思?静态IP适用于哪些业务场景?
  • 科研党必备PDF利器|PDF-Extract-Kit镜像实现布局检测与公式识别一体化
  • 微服务分布式SpringBoot+Vue+Springcloud的美团餐饮商户点评管理与数据分析系统_
  • 何时我们才能完全相信纯视觉APP自动化测试?
  • 没技术背景也能用:AI分类器云端版,鼠标点击就运行
  • HY-MT1.5-7B大模型深度应用|打造专业级法律翻译系统
  • 35.轴承滚珠检测
  • 零代码玩转AI分类:预置镜像直接调用,不懂Python也能用
  • 32 位浮点数(IEEE 754 单精度)数轴分布技术文档
  • 从下载到运行AutoGLM-Phone-9B|手把手教你搭建多模态推理服务
  • 灯,照亮美业前行的路
  • 无需GPU!轻量级中文情感分析镜像,一键部署API与Web界面
  • 中文文本相似度技术选型与落地|基于GTE模型的高效解决方案
  • [记录/教程] 老树发新芽:技嘉 B85M-D3H + E3-1246 v3 实现 NVMe 启动 PVE (Clover 方案)
  • 我花9个月造了个轮子:UpgradeLink,搞定全端应用升级的所有麻烦
  • AutoGLM-Phone-9B核心优势揭秘|轻量多模态模型本地化落地
  • StructBERT中文情感分析镜像发布|CPU支持+开箱即用Web界面