Artykuł badawczy
* These authors contributed equally
Badanie to integruje farmakoczujność FAERS z randomizacją Mendelowskim, aby ocenić powiązania między biomarkerami szlaku TNF a ryzykiem złamań stawu biodrowego. Łącząc rzeczywiste monitorowanie zdarzeń niekorzystnych z genetycznym wnioskowaniem przyczynowym, workflow oferuje powtarzalne podejście do oceny relacji biomarker–wynik, gdy randomizowane badania są niedostępne, niepraktyczne lub etycznie trudne do przeprowadzenia w praktyce.
Złamanie stawu biodrowego to powszechna i poważna choroba u osób starszych, często związana ze zmienioną sygnalizacją TNF-α. Jednak niewiele badań badało, czy zmiany w biomarkerach szlaku TNF przyczyniają się do zwiększania ryzyka złamania stawu biodra. W niniejszym badaniu przeanalizowano działania niepożądane związane ze złamaniem stawu biodrowego zgłoszone dla pięciu inhibitorów TNF, korzystając z danych z pierwszego kwartału 2014 do czwartego kwartału 2023 roku. Po standaryzacji i oczyszczeniu danych zastosowano cztery metody dysproporcji, w tym wskaźnik raportowania, proporcjonalny wskaźnik raportowania, wieloelementowy zmniejszacz gamma Poissona oraz sieć neuronową propagacji zaufania bayesowskiej, aby ocenić związek między ekspozycją na inhibitor TNF a wynikami złamań stawu biodrowego. Dodatkowo przeprowadzono analizy randomizacji uzupełniającej mendelowskiej, wykorzystując TNF-α, sTNFR1 i sTNFR2 jako ekspozycję oraz złamanie biodra jako wynik. Analizy farmakowigilancji nie wykazały istotnego związku między ekspozycją na inhibitor TNF a zdarzeniami niepożądanymi związanymi ze złamaniem biodra w czterech algorytmach. Analizy randomizacji Mendla nie wykazały istotnego bezpośredniego związku przyczynowego między genetycznie przewidywanym ryzykiem złamań α stawu biodrowego i przewidywanym genetycznie, a dodatkowe analizy sTNFR1 i sTNFR2 dały spójne wyniki. Wyniki te sugerują, że biomarkery szlaku TNF raczej nie będą działać jako niezależne bezpośrednie determinatory ryzyka złamań stawu biodrowego i mogą stanowić użyteczną podstawę dla przyszłych badań mechanistycznych i strategii zapobiegawczych.
Złamanie stawu biodrowego to powszechna i poważna choroba kliniczna u osób starszych, a jej objawy kliniczne zwykle charakteryzują się bólem i dysfunkcją stawu biodrowego1. Złamanie stawu biodrowego nie tylko poważnie wpływa na pacjentów, ale także obciąża rodziny i społeczeństwo. U pacjentów złamanie biodra często wiąże się z długim okresem hospitalizacji i rehabilitacji, co ma ogromny wpływ na zdrowie fizyczne i psychiczne osób starszych 2,3,4. Na poziomie rodziny pacjenci zazwyczaj wymagają długoterminowej opieki od członków rodziny, co może zwiększyć obciążenie finansowe i emocjonalne rodziny, zwłaszcza w rodzinach o niskich dochodach, co może mieć większy wpływ5. Na poziomie społecznym wysokie ryzyko złamań biodra nie tylko zwiększa zużycie zasobów medycznych, ale także stanowi wyzwanie dla systemu bezpieczeństwa zdrowotnego w starzejącym się społeczeństwie 6,7. Z epidemiologicznego punktu widzenia częstość złamań biodra wykazuje rosnący trend na całym świecie rocznie, co jest ściśle powiązane z populacją w wieku8 lat. Osoby starsze, zwłaszcza starsze kobiety, są szczególnie narażone na złamanie stawu biodrowego, a około 75% przypadków złamań biodra dotyczy starszych kobiet powyżej 65 roku życia, w wieku9, 10, 11 lat. Dlatego konieczne jest przeprowadzenie odpowiednich badań nad złamaniami stawu biodrowego, aby zbadać mechanizm ich powstawania i rozwoju, co sprzyja lepszej profilaktyce i leczeniu złamań biodra. Wcześniejsze badania sugerowały, że złamanie biodra może być związane ze zmianą ekspresji TNF-α oraz aktywacją zapalną12,13. Jednak czy genetycznie przewidywane zmiany w biomarkerach szlaków TNF są przyczynowo powiązane z ryzykiem złamań biodra, pozostaje niejasne14. Dlatego niniejsze badanie badało, czy biomarkery szlaku TNF są przyczynowo powiązane z ryzykiem złamań biodra. Do analizy farmakowigilancji wybrano pięć inhibitorów TNF, w tym etanercept15, adalimumab16, infliximab17, certolizumab pegol18 oraz golimumab19. Baza FAERS została wykorzystana do identyfikacji zgłoszeń złamań biodra związanych z tymi czynnikami, a w celu dalszej oceny przyczynowości przeprowadzono komplementarne analizy randomizacji mendelowskiej (MR).
Do badania tego zagadnienia można zastosować kilka metodologicznych podejść, ale każde z nich ma istotne ograniczenia. Tradycyjne badania obserwacyjne, takie jak badania kohortowe i przypadko-kontrolne, są przydatne do identyfikacji powiązań w populacjach klinicznych, ale często są one dotknięte resztkowym zakłóceniami, błędem wskazań, odwróconą przyczynowością oraz niepełną korektą dotyczącą ciężkości choroby, chorób współistniejących lub leków towarzyszących20. Randomizowane badania kontrolowane mogą dostarczyć silniejszych dowodów przyczynowych, ale często są kosztowne, czasochłonne i trudne do przeprowadzenia dla długoterminowych rezultatów, takich jak złamanie biodra, zwłaszcza gdy narażenie dotyczy biomarkerów zapalnych lub zagrożeń bezpieczeństwa leków po wprowadzeniu na rynek21. Samodzielne analizy farmakoczujności mogą wykrywać potencjalne sygnały bezpieczeństwa w dużych populacjach rzeczywistych, ale dane spontaniczne raportujące nie mogą niezależnie ustalić przyczynowości z powodu niedoraportowania, duplikatów raportów, brakujących danych, błędów raportowych oraz braku informacji o mianownikach22. Z kolei samodzielna randomizacja mendelowa może wzmacniać wnioskowanie przyczynowe poprzez wykorzystanie wariantów genetycznych jako zmiennych instrumentalnych, ale nie obejmuje bezpośrednio rzeczywistych wzorców bezpieczeństwa leków po wprowadzeniu leku na rynek i może być ograniczona, gdy nie dostępne są odpowiednie instrumenty lub obecna jest pozioma plejotropia23.
System zgłaszania zdarzeń niepożądanych przez FDA (FAERS) to baza danych utworzona przez Amerykańską Agencję ds. Żywności i Leków (FDA) w celu zbierania i monitorowania informacji o bezpieczeństwie leków24. Rejestruje raporty o niepożądanych zdarzeniach lekowych z wielu źródeł, w tym pacjentów, pracowników służby zdrowia i producentów leków, i jest ważnym narzędziem do monitorowania i oceny działań niepożądanych25. Informacje z bazy danych FAERS są szeroko wykorzystywane w analizie i badaniach nad bezpieczeństwem leków, a wiele badań akademickich i wytycznych praktyki klinicznej opiera swoje decyzje na danych z tej platformy26. Przykładem jest monitorowanie ryzyka działań niepożądanych związanych z immunosupresantami i innymi powiązanymi zdarzeniami niepożądanymi27,28. W porównaniu z konwencjonalnymi badaniami klinicznymi, systemy spontanicznego raportowania mogą wychwycić rzadkie lub opóźnione zdarzenia niepożądane w dużych populacjach rzeczywistych przy stosunkowo niskich kosztach29. Jednak są podatne na niedoraportowanie, duplikujące się raporty, brakujące dane i błędy raportowe, dlatego nie mogą niezależnie ustalić przyczynowości30,31.
Randomizacja mendelowska to metoda statystyczna stosowana do badania związku przyczynowego między ekspozycją a chorobą, wykorzystując zmienność genetyczną jako zmienną instrumentalną32. W badaniu działań niepożądanych leków randomizacja mendelowska może być stosowana do identyfikacji potencjalnych związków przyczynowych i dostarczania wiarygodnych dowodów na ich poparcie. Ważność randomizacji mendelowskiej opiera się na trzech założeniach, jak pokazano na rysunku 1 33,34,35: wybrane warianty są silnie powiązane z ekspozycją; warianty wpływają na wynik wyłącznie poprzez ścieżkę ekspozycji; a warianty są niezależne od głównych czynników zakłócających. W porównaniu z tradycyjnymi badaniami obserwacyjnymi, randomizacja mendelowska jest mniej podatna na resztkowe zakłócenia i odwrotne przyczynowości, ponieważ warianty genetyczne są losowo przydzielane przy poczęciu i pozostają w dużej mierze stabilne przez całe życie36,37. Jednak takie podejście może być mniej odpowiednie, gdy prawidłowe zmienne instrumentalne są niedostępne, gdy plejotropia pozioma jest znacząca lub gdy efekty ekspozycji są silnie zależne od czasu38.
Integrując analizę farmakoczujności FAERS z randomizacją mendelowskim, obecny workflow łączy rzeczywiste monitorowanie bezpieczeństwa z genetycznym wnioskowaniem przyczynowym. To podejście łączone jest szczególnie odpowiednie, gdy randomizowane badania kontrolowane są niedostępne, niepraktyczne lub nieetyczne, a także gdy potrzebne są dowody uzupełniające do oceny relacji biomarker-wynik39. W praktyce ten workflow randomizacji FAERS-Mendla jest najbardziej odpowiedni, gdy pytanie badawcze spełnia następujące warunki: po pierwsze, związek między lekem a zdarzeniem lub biomarkerem a wynikiem jest klinicznie istotny, ale nie może być odpowiednio przetestowany w randomizowanych badaniach40; Po drugie, dostępne są dane dotyczące bezpieczeństwa w rzeczywistym świecie po wprowadzeniu na rynek, które mogą być wykorzystywane do przesiewania lub charakteryzowania sygnałów zdarzeń niepożądanych; Po trzecie, dostępne są odpowiednie statystyki podsumowania badań genomowych zarówno dla ekspozycji, jak i wyniku; po czwarte, badacz dąży do połączenia wykrywania sygnałów z genetycznym wnioskowaniem przyczynowym, zamiast polegać wyłącznie na którejkolwiek z tych metod. W tych warunkach FAERS może dostarczyć rzeczywistych dowodów na to, czy istnieje potencjalny sygnał bezpieczeństwa, podczas gdy randomizacja mendelowskia może dodatkowo ocenić, czy powiązany biomarker lub szlak prawdopodobnie ma bezpośredni związek przyczynowy z wynikiem. Ten połączony przepływ pracy jest szczególnie przydatny do oceny rzadkich, opóźnionych lub etycznie trudnych do badania wyników oraz do generowania bardziej solidnych dowodów, gdy konwencjonalne projekty epidemiologiczne są ograniczone41.
Opierając się na tej argumentacji, badanie miało na celu ustanowienie i pokazanie zintegrowanego workflow randomizacji FAERS-Mendelowskiej do oceny sygnałów bezpieczeństwa zdarzeń lekowych oraz relacji przyczynowych biomarker-wynik, gdy konwencjonalne podejścia do wnioskowania przyczynowego są ograniczone. Analiza farmakoczujności FAERS została po raz pierwszy użyta do przesiewu i charakteryzowania zgłoszeń niepożądanych zgłoszeń związanych ze złamaniem biodra związanych z inhibitorami TNF. Następnie zastosowano randomizację mendelowską, aby ocenić, czy genetycznie przewidywane biomarkery szlaku TNF, w tym TNF-α, sTNFR1 i sTNFR2, są przyczynowo powiązane z ryzykiem złamań biodra. Łącząc nadzór nad bezpieczeństwem po wprowadzeniu na rynek z genetycznym wnioskowaniem przyczynowym, ten workflow stanowi powtarzalną metodologiczną referencję dla przyszłych badań dotyczących klinicznie istotnych relacji między lekami a zdarzeniami lub biomarkerami.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Źródła danych FAERS
Dane rzeczywiste do tego badania pochodzą z bazy danych FAERS (https://fis.fda.gov/extensions/FPD-QDE-FAERS/FPD-QDE-FAERS.html). Jest to publicznie dostępna i zanonimizowana baza danych, więc nie było wymagane etyczne zatwierdzenie do tego badania. Informacje o pięciu zawartych lekach przedstawiono w Tabeli 1. Przeszukanie przeprowadzono poprzez ograniczenie początkowo do złamań biodra, a czas poszukiwań obejmował okres od I kwartału 2014 do IV kwartału 2023. Aby zapewnić wiarygodność i stabilność danych, badanie ustandaryzowało terminologię zgłaszanych zdarzeń niepożądanych za pomocą słownika MedDRA w wersji 26.142. Kwartalne pliki ASCII FAERS od I kwartału 2014 do IV kwartału 2023 zostały pobrane i zaimportowane do analizy. Wyodrębnione tabele FAERS obejmowały DEMO, DRUG, REAC, THER, RPSR oraz OUTC. Stoły te zostały połączone we wszystkich miejscach przed pokazem. Raporty były powiązane za pomocą CASEID i PRIMARYID, aby zapewnić spójność w zakresie demografii, leków, reakcji, terapii, raportujących i wyników wyników. Do leków docelowych należały etanercept, adalimumab, infliximab, certolizumab pegol oraz golimumab. Nazwy leków w tabeli DRUG były standaryzowane przez konwersję tekstu na wielkie litery, usunięcie zbędnych spacji i sprawdzanie wariantów pisowni w razie potrzeby. Leki docelowe zostały zidentyfikowane za pomocą standaryzowanych nazw generycznych w tabeli LEKÓW, a ograniczenie roli leku przeprowadzono przy użyciu ROLE_COD = "PS", wskazując główny podejrzany lek43. Konkretna mapa drogowa techniki przesiewowej badania przedstawiona jest na Rysunku 2. Po oczyszczeniu i przesiewaniu danych uzyskano unikalny i analizowalny zestaw kwalifikujących się raportów o złamaniach biodra do kolejnych analiz.
Zduplikowane raporty FAERS zostały usunięte przed wykryciem sygnału. Duplikaty zostały zidentyfikowane według CASEID i PRIMARYID. Gdy wiele raportów zawierało ten sam CASEID, według FDA_DT zachowano najnowszy raport. Jeśli wiele raportów miało ten sam CASEID i FDA_DT, zatrzymywano ten z najwyższym PRIMARYID. Po deduplikacji każdy CASEID dostarczał tylko jeden rekord do końcowego zbioru danych analitycznych. Raporty były uwzględniane, jeśli spełniały wszystkie następujące kryteria: data raportu między I kwartałem 2014 a IV kwartałem 2023; zdarzenie niepożądane zostało zakodowane jako "złamanie biodra"; co najmniej jeden z pięciu inhibitorów TNF został odnotowany w tabeli LEKÓW; a rola narkotykowa została zakodowana jako główny podejrzany. Raporty były wykluczane, jeśli były duplikatywnymi dokumentami, brakowało prawidłowych informacji CASEID lub PRIMARYID, nie zawierały odpowiadającego wpisu LEK lub REAC, nie zawierały docelowego zdarzenia niepożądanego lub wskazywały docelowy inhibitor TNF wyłącznie jako lek towarzyszący lub wtórny podejrzany.
Źródła danych GWAS dla randomizacji mendelowskiej
Dane ekspozycji dla TNF-α w randomizacji mendelowskiej dla tego badania pochodzą z bazy danych IEU OpenGWAS (https://gwas.mrcieu.ac.uk/), z identyfikatorem GWAS prot-c-3722_49_2 z badania Suhre K i in. Populacja badana miała pochodzenie europejskie, a liczba SNP wynosiła 501 42844.
Dane ekspozycji dla sTNFR1 w randomizacji mendelowskiej dla tego badania pochodzą z bazy danych IEU OpenGWAS (https://gwas.mrcieu.ac.uk/), z identyfikatorem GWAS prot-c-c-2654_19_1 z badania Suhre K i in. Populacja badana miała pochodzenie europejskie, a liczba SNP wynosiła 501 42844.
Dane ekspozycji dla sTNFR2 w randomizacji mendelowskiej dla tego badania pochodzą z bazy danych IEU OpenGWAS (https://gwas.mrcieu.ac.uk/), z identyfikatorem GWAS prot-c-c-3152_57_1 z badania Suhre K i in. Populacja badana miała pochodzenie europejskie, a liczba SNP wynosiła 501 42844.
Dane dotyczące złamania biodra, GWAS ID GCST90161240, złożone w katalogu GWAS (https://www.ebi.ac.uk/gwas/studies/GCST90161240), pochodzą z metaanalizy dużej skali GWAS, która obejmowała 11 516 przypadków złamań biodra oraz 723 838 osób kontrolnych45. Klasyfikacja chorób jest zgodna z Międzynarodową Klasyfikacją Chorób (ICD; kody ICD-10 S72.0–S72.2 oraz kod ICD-9 820).
W oryginalnych badaniach GWAS uzyskano etyczną zgodę i świadomą zgodę. Ponieważ obecne badanie wykorzystywało publicznie dostępne, zanonimizowane dane FAERS oraz publicznie dostępne statystyki podsumowujące GWAS, nie było wymagane dodatkowe zatwierdzenie etyczne.
Środowisko programistyczne i implementacja przepływu pracy
Wszystkie analizy przeprowadzono w wersji R 4.3.2. Import, czyszczenie, łączenie i tabulacja danych FAERS były wykonywane przy użyciu workflow zarządzania danymi opartych na R. Tabele danych były importowane za pomocą funkcji takich jak data.table::fread() lub readr::read_delim(), scalane za pomocą CASEID i PRIMARYID oraz przetwarzane za pomocą funkcji dplyr. Statystyki opisowe oraz 2 × 2 tabele awaryjne zostały wygenerowane przy użyciu niestandardowych skryptów R.
Analizy randomizacji Mendelowskiej przeprowadzono przy użyciu wersji TwoSampleMR 0.5.6. Instrumenty ekspozycji były wyodrębniane z użyciem progu istotności P < 1 × 10⁻5 lub formatowane na podstawie statystyk podsumowujących GWAS, wykorzystując struktury wejściowe zgodne z TwoSampleMR. Zgrupowanie instrumentów wykonano za pomocą clump_data() przy clump_r2 = 0,001 i clump_kb = 10 000. Dane końcowe były wyodrębniane lub formatowane za pomocą extract_outcome_data() lub read_outcome_data(), w zależności od formatu źródłowego. Zestawy danych ekspozycji i wyników zostały zharmonizowane za pomocą harmonise_data(). Estymacje przyczynowe zostały wygenerowane za pomocą mr() przy użyciu następujących metod randomizacji mendelowskiej: MR-Egger, mediana ważona, odwrotna wariancja ważona, tryb prosty oraz tryb ważony. Heterogeniczność oceniano za pomocą mr_heterogeneity(), a poziomą plejotropię za pomocą mr_pleiotropy_test(). Wszystkie zbiory danych zostały zaimportowane, oczyszczone, ujednolicone i przeanalizowane w tym środowisku programowym, aby zapewnić spójny i powtarzalny przepływ pracy analitycznej.
Analiza farmakoczujności
Analizy opisowe zostały wykorzystane do podsumowania działań niepożądanych związanych ze złamaniem biodra związanego z pięcioma lekami. Następnie przeprowadzono analizy detekcji sygnału przy użyciu czterech algorytmów dysproporcji, w tym wskaźnika raportowania szans (ROR), proporcjonalnego wskaźnika raportowania (PRR), wieloelementowego zmniejszacza gamma Poissona (MGPS) oraz sieci neuronowej propagacji pewności bayesowskiej (BCPNN). Kryteria dla czterech głównych algorytmów przedstawiono w Tabeli 246.
Analiza randomizacji mendelowskiej
Statystyki podsumowujące TNF-α, sTNFR1 i sTNFR2 zostały wyodrębnione jako zbiory danych o ekspozycji, a statystyki podsumowujące złamania biodra zostały wyodrębnione jako zbiór wyników. Analizy ograniczały się do europejskich zbiorów danych o pochodzeniu, gdy były dostępne, aby zmniejszyć błędy stratyfikacyjne populacji.
Aby zminimalizować błędy spowodowane zaburzeniami sprzężenia i słabymi instrumentami, zastosowano następujące kryteria: próg istotności w całym genomie P < 1 × 10⁻5, próg nierównowagi sprzężeń r2 < 0,001, okno zgrupowania 10 000 kb oraz statystyka F > 20. Statystyka F została obliczona dla każdej zachowanej zmiennej instrumentalnej jako beta2/se 2 w celu oceny siły instrumentu. SNP o F-statystyce ≤ 20 zostały wykluczone z analiz końcowych.
Po selekcji SNP zestawy danych ekspozycji i wyników zostały zharmonizowane, aby wyrównać allele efektu. Podczas harmonizacji allele efektowe i inne allele były wyrównane pomiędzy zbiorami danych ekspozycji i wyników. SNP z niekompatybilnymi allelami zostały usunięte, a palindromiczne SNP o niejednoznacznych częstotliwościach alleli wykluczono, gdy nie udało się określić orientacji nici. Po harmonizacji sprawdzono zachowane SNP, aby potwierdzić, że współczynniki beta odpowiadają temu samemu allelowi efektu w obu zbiorach danych. Liczba SNP zachowanych po zgrupowaniu i harmonizacji była rejestrowana dla każdego ekspozycji jako punkt kontrolny pośredniej powtarzalności.
Zastosowano pięć metod randomizacji Mendelowskiej, w tym MR-Eggera, ważoną medianę, odwrotną wariancję ważoną, tryb prosty oraz ważony. Potencjalna heterogeniczność zmiennych instrumentalnych oceniano za pomocą testu Q Cochrana, a P < 0,05 uznano za oznakę istotnej heterogeniczności. Potencjalna pozioma plejotropia została oceniona za pomocą przecięcia MR-Eggera, a P < 0,05 wskazywało na plejotropię, co sugerowało obniżoną wiarygodność szacunku przyczynowego47. Analizy te generowały szacunki efektów przyczynowych wraz ze statystykami heterogeniczności i plejotropii dla każdej ekspozycji.
Pośrednie punkty kontrolne dla powtarzalności
Po każdym głównym etapie przetwarzania rejestrowano punkty kontrolne pośrednie, aby zapewnić powtarzalność przepływu pracy. W przepływie pracy FAERS punkty kontrolne obejmowały liczbę importowanych rekordów DEMO, liczbę unikalnych rekordów po deduplikacji, liczbę raportów zawierających złamanie biodra jako docelowe zdarzenie niepożądane, liczbę zgłoszeń dotyczących pięciu inhibitorów TNF oraz końcową liczbę kwalifikujących się zgłoszeń, w których inhibitory TNF zostały zarejestrowane jako główne podejrzane leki. W procesie randomizacji Mendelowskiej punkty kontrolne obejmowały liczbę wyodrębnionych SNP dla każdej ekspozycji, liczbę SNP zachowanych po zgrupowaniu nierównowagi sprzężenia, liczbę dostępnych SNP w zbiorze danych, liczbę SNP zachowanych po harmonizacji oraz końcową liczbę zmiennych instrumentalnych używanych w każdej analizie randomizacji mendelowskiej.
Raportowanie statystyczne
Wyniki ciągłe zostały przedstawione wraz z odpowiadającymi szacunkami efektów, 95% przedziałami ufności (95% CI) oraz wartościami P . O ile nie określono inaczej, istotność statystyczna była definiowana jako dwustronna P < 0,05. Do analizy farmakowigilancji podawano opisowe liczby i szacunki nieproporcjonalności dla każdego indywidualnego inhibitora TNF oraz dla grupy grupowej inhibitorów TNF. Dla analizy randomizacji mendelowskiej podano szacunki przyczynowe, błędy standardowe, przedziały ufności 95%, wartości P , statystyki heterogeniczności, wyniki testów pleiotropii oraz liczbę zachowanych SNP dla każdej ekspozycji.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Wyniki analizy opisowej
Szczegółowy proces czyszczenia i selekcji danych jest podsumowany na Rysunku 2. Łącznie z tabeli DEMO początkowo pobrano 15 428 448 płyt. Po usunięciu duplikatów pozostało 13 447 292 unikalnych rekordów DEMO. Po standaryzacji danych, deduplikacji i powiązaniu tabel międzytabelowych, ostateczna liczba rekordów dostępnych w każdej tabeli FAERS wynosiła 27 260 995 w DRUG, 18 851 426 w REAC, 12 573 760 w THER, 6 448 188 w RPSR ...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
W tym badaniu pięć inhibitorów TNF zidentyfikowanych na podstawie rzeczywistych danych o farmakowigilancji zostało zintegrowanych z analizami randomizacyjnymi metodą Mendelowskim, aby ocenić, czy biomarkery szlaku TNF są przyczynowo powiązane z ryzykiem złamań biodra. Wyniki konsekwentnie wskazywały, że nie zidentyfikowano istotnego bezpośredniego związku przyczynowego między TNF-α a ryzykiem złamań biodra, a dodatkowe analizy sTNFR1 i sTNFR2 dały zgodne wyniki. Wyniki te potwierdzają wartość łączenia danych bezpieczeńst...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Autorzy deklarują brak konkurencyjnych interesów.
Nie ma zastosowania.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| Ogólna stacjonarna stacja robocza laboratoryjna | Wyposażenie | Ogólny komputer laboratoryjny | Nie ma |
| Baza danych FDA Systemu Zgłaszania Zdarzeń Niepożądanych | Publiczna baza danych farmakovigilancji | Amerykańska Agencja ds. Żywności i Leków | https://fis.fda.gov/extensions/FPD-QDE-FAERS/FPD-QDE-FAERS.html |
| Kwartalne pliki ASCII FAERS | Publiczne pliki danych farmakovigilancji | Amerykańska Agencja ds. Żywności i Leków | Pierwszy kwartał 2014 do IV kwartał 2023; TABELE DEMO, DRUG, REAC, THER, RPSR i OUTC |
| Słownik MedDRA wersja 26.1 | Źródło terminologii medycznej | Organizacja MedDRA ds. Utrzymania i Wsparcia | https://www.meddra.org/ |
| Baza danych OpenGWAS IEU | Publiczna baza danych GWAS | Jednostka Integracyjnej Epidemiologii MRC, Uniwersytet w Bristolu | https://gwas.mrcieu.ac.uk/ |
| TNF-α Statystyki podsumowujące GWAS | Zbiór danych GWAS o ekspozycji | Baza danych OpenGWAS IEU | ID GWAS: prot-c-3722_49_2 |
| Statystyki podsumowania sTNFR1 GWAS | Zbiór danych GWAS o ekspozycji | Baza danych OpenGWAS IEU | ID GWAS: prot-c-2654_19_1 |
| Statystyki podsumowania sTNFR2 GWAS | Zbiór danych GWAS o ekspozycji | Baza danych OpenGWAS IEU | ID GWAS: prot-c-3152_57_1 |
| Katalog GWAS | Publiczna baza danych GWAS | Europejski Instytut Bioinformatyki | https://www.ebi.ac.uk/gwas/ |
| Statystyki podsumowania złamania biodra GWAS | Zbiór danych GWAS o wynikach | Katalog GWAS | ID akcesyjne: GCST90161240; https://www.ebi.ac.uk/gwas/studies/GCST90161240 |
| Wersja R 4.3.2 | Środowisko obliczeń statystycznych | R Foundation for Statistical Computing | https://www.r-project.org/ |
| Pakiet data.table | Pakiet R | Repozytorium pakietów R / społeczność R | https://cran.r-project.org/package=data.table |
| Pakiet DPLYR | Pakiet R | Repozytorium pakietów R / społeczność R | https://cran.r-project.org/package=dplyr |
| Pakiet Readr | Pakiet R | Repozytorium pakietów R / społeczność R | https://cran.r-project.org/package=readr |
| Pakiet stringr | Pakiet R | Repozytorium pakietów R / społeczność R | https://cran.r-project.org/package=stringr |
| Pakiet vroom | Pakiet R | Repozytorium pakietów R / społeczność R | https://cran.r-project.org/package=vroom |
| TwoSampleMR wersja 0.5.6 | Pakiet R do randomizacji mendelowskiej | Jednostka Integracyjnej Epidemiologii MRC | https://mrcieu.github.io/TwoSampleMR/ |
| Niestandardowe skrypty R do przetwarzania FAERS | Skrypt analityczny | Przygotowane przez autorów badania | Udostępnione jako pliki uzupełniające |
| Niestandardowe skrypty R do randomizacji mendelowskiej | Skrypt analityczny | Przygotowane przez autorów badania | Udostępnione jako pliki uzupełniające |
Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE
Poproś o pozwolenie