news 2026/10/23 15:48:04

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

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
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。

版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/10/21 16:12:56

万能分类器+CLIP联合使用教程:云端GPU双模型同时跑

万能分类器CLIP联合使用教程:云端GPU双模型同时跑 引言:当分类器遇上CLIP 想象你是一位博物馆管理员,手头有两件神奇工具:一个能自动识别展品类别的智能标签机(万能分类器),另一个是精通艺术史…

作者头像 李华
网站建设 2026/10/19 3:00:43

分类模型微调实战:云端GPU 3小时完成训练,花费9元

分类模型微调实战:云端GPU 3小时完成训练,花费9元 引言:为什么选择云端GPU微调分类模型? 当你手头有一批行业数据(比如电商评论、医疗报告或金融新闻),想要训练一个能自动分类的AI模型时&…

作者头像 李华
网站建设 2026/10/23 13:20:02

StructBERT中文情感分析镜像发布|CPU支持+开箱即用Web界面

StructBERT中文情感分析镜像发布|CPU支持开箱即用Web界面 1. 背景与需求:中文情感分析的工程落地挑战 在自然语言处理(NLP)的实际应用中,中文情感分析是企业级服务中最常见的需求之一。无论是电商评论、客服对话还是…

作者头像 李华
网站建设 2026/10/22 19:50:28

AutoGLM-Phone-9B核心优势解析|轻量9B模型赋能手机端AI

AutoGLM-Phone-9B核心优势解析|轻量9B模型赋能手机端AI 1. 技术背景与移动端大模型挑战 随着生成式AI技术的快速演进,将大语言模型部署到移动设备已成为行业关注的核心方向。传统大模型(如百亿参数以上)受限于算力、内存和功耗&…

作者头像 李华
网站建设 2026/10/21 16:43:45

分类模型A/B测试框架:云端流量切分,效果对比科学直观

分类模型A/B测试框架:云端流量切分,效果对比科学直观 引言:为什么需要A/B测试框架? 想象你开了一家奶茶店,最近研发了两种新配方。直接全部换成新配方风险太大,但让所有顾客都尝两种口味又不现实。最聪明…

作者头像 李华