Download
Foraita_BIPS_Postprint_30027343.pdf 606,56KB
WeightNameValue
1000 Titel
  • Aufdeckung von Arzneimittelrisiken nach der Zulassung - Methodenentwicklung zur Nutzung von Routinedaten der gesetzlichen Krankenversicherungen
1000 Titelzusatz
  • Detection of drug risks after approval - Methods development for the use of routine statutory health insurance data
1000 Autor/in
  1. Foraita, Ronja |
  2. Dijkstra, Louis |
  3. Falkenberg, Felix |
  4. Garling, Marco |
  5. Linder, Roland |
  6. Pflock, René |
  7. Rizkallah, Mariam R. |
  8. Schwaninger, Markus |
  9. Wright, Marvin |
  10. Pigeot, Iris |
1000 Erscheinungsjahr 2018
1000 LeibnizOpen
1000 Publikationstyp
  1. Artikel |
1000 Online veröffentlicht
  • 2018-07-19
1000 Erschienen in
1000 Quellenangabe
  • 61:1075-1081
1000 FRL-Sammlung
1000 Copyrightjahr
  • 2018
1000 Embargo
  • 2019-07-19
1000 Lizenz
1000 Verlagsversion
  • https://doi.org/10.1007/s00103-018-2786-z |
1000 Publikationsstatus
1000 Begutachtungsstatus
1000 Sprache der Publikation
1000 Abstract/Summary
  • Unerwünschte Arzneimittelwirkungen zählen zu den häufigen Todesursachen. Aufgabe der Pharmakovigilanz ist es, Arzneimittel nach der Zulassung zu überwachen, um so mögliche Risiken aufzudecken. Zu diesem Zweck werden typischerweise Spontanmelderegister genutzt, an die u. a. Ärzte und pharmazeutische Industrie Berichte über unerwünschte Arzneimittelwirkungen (UAW) melden. Diese Register sind jedoch nur begrenzt geeignet, um potenzielle Sicherheitsrisiken zu identifizieren. Eine andere, möglicherweise informativere Datenquelle sind Abrechnungsdaten der gesetzlichen Krankenversicherungen (GKV), die nicht nur den Gesundheitszustand eines Patienten im Längsschnitt erfassen, sondern auch Informationen zu Begleitmedikationen und Komorbiditäten bereitstellen. Um deren Potenzial nutzen zu können und so zur Verbesserung der Arzneimittelsicherheit beizutragen, sollen statistische Methoden weiterentwickelt werden, die sich in anderen Anwendungsgebieten bewährt haben. So steht eine große Bandbreite von Methoden für die Auswertung von Spontanmeldedaten zur Verfügung: Diese sollen zunächst umfassend verglichen und anschließend hinsichtlich ihrer Nutzbarkeit für longitudinale Daten erschlossen werden. Des Weiteren wird aufgezeigt, wie maschinelle Lernverfahren helfen könnten, seltene Risiken zu identifizieren. Zudem werden sogenannte Enrichment-Analysen eingesetzt, mit denen pharmakologische Arzneimittelgruppen und verwandte Komorbiditäten zusammengefasst werden können, um vulnerable Bevölkerungsgruppen zu identifizieren. Insgesamt werden diese Methoden die Arzneimittelrisikoforschung anhand von GKV-Routinedaten vorantreiben, die aufgrund ihres Umfangs, der longitudinalen Erfassung sowie ihrer Aktualität eine vielversprechende Datenquelle bieten, um UAWs aufzudecken.
  • Adverse drug reactions are among the leading causes of death. Pharmacovigilance aims to monitor drugs after they have been released to the market in order to detect potential risks. Data sources commonly used to this end are spontaneous reports sent in by doctors or pharmaceutical companies. Reports alone are rather limited when it comes to detecting potential health risks. Routine statutory health insurance data, however, are a richer source since they not only provide a detailed picture of the patients’ wellbeing over time, but also contain information on concomitant medication and comorbidities. To take advantage of their potential and to increase drug safety, we will further develop statistical methods that have shown their merit in other fields as a source of inspiration. A plethora of methods have been proposed over the years for spontaneous reporting data: a comprehensive comparison of these methods and their potential use for longitudinal data should be explored. In addition, we show how methods from machine learning could aid in identifying rare risks. We discuss these so-called enrichment analyses and how utilizing pharmaceutical similarities between drugs and similarities between comorbidities could help to construct risk profiles of the patients prone to experience an adverse drug event. Summarizing these methods will further push drug safety research based on healthcare claim data from German health insurances which form, due to their size, longitudinal coverage, and timeliness, an excellent basis for investigating adverse effects of drugs.
1000 Sacherschließung
lokal Patientensicherheit
lokal Signalerkennung
lokal Spontanmelderegister
lokal Unerwünschte Arzneimittelwirkungen
lokal Adverse drug reaction reporting systems
lokal Health claim data
lokal Signal detection
lokal GKV-Abrechnungsdaten
lokal Patient safety
lokal Drug-related side effects and adverse reactions
1000 Fächerklassifikation (DDC)
1000 Liste der Beteiligten
  1. https://orcid.org/0000-0003-2216-6653|https://orcid.org/0000-0003-1476-6202|https://frl.publisso.de/adhoc/uri/RmFsa2VuYmVyZywgRmVsaXg=|https://frl.publisso.de/adhoc/uri/R2FybGluZywgTWFyY28=|https://frl.publisso.de/adhoc/uri/TGluZGVyLCBSb2xhbmQ=|https://frl.publisso.de/adhoc/uri/UGZsb2NrLCBSZW7DqQ==|https://orcid.org/0000-0001-7341-0447|https://frl.publisso.de/adhoc/uri/U2Nod2FuaW5nZXIsIE1hcmt1cw==|https://orcid.org/0000-0002-8542-6291|https://orcid.org/0000-0001-7483-0726
1000 Label
1000 Förderer
  1. Gemeinsamer Bundesausschuss (GBA) |
1000 Fördernummer
  1. 01VSF16020
1000 Förderprogramm
  1. Innovationsfonds
1000 Dateien
  1. Nutzungsvereinbarung
  2. Springer_self-archiving-policy
1000 Förderung
  1. 1000 joinedFunding-child
    1000 Förderer Gemeinsamer Bundesausschuss (GBA) |
    1000 Förderprogramm Innovationsfonds
    1000 Fördernummer 01VSF16020
1000 Objektart article
1000 Beschrieben durch
1000 @id frl:6421679.rdf
1000 Erstellt am 2020-07-03T11:16:12.124+0200
1000 Erstellt von 266
1000 beschreibt frl:6421679
1000 Bearbeitet von 266
1000 Zuletzt bearbeitet Mon Sep 28 15:09:43 CEST 2020
1000 Objekt bearb. Mon Sep 28 15:09:43 CEST 2020
1000 Vgl. frl:6421679
1000 Oai Id
  1. oai:frl.publisso.de:frl:6421679 |
1000 Sichtbarkeit Metadaten public
1000 Sichtbarkeit Daten public
1000 Gegenstand von

View source