Farmacología

Rendimiento y usabilidad del aprendizaje automático para el cribado en revisiones sistemáticas: una evaluación comparativa de tres herramientas

25 noviembre 2019

AHRQ , 15 de noviembre de 2019 La carga de trabajo y el ahorro de tiempo que ofrece la simulación automatizada conlleva un mayor riesgo de excluir erróneamente los registros relevantes. Complementar las decisiones de un solo revisor con predicciones de relevancia (simulación semiautomatizada) mejoró la proporción perdida en algunos casos, pero el rendimiento varió según la herramienta y el RS. El diseño de herramientas basadas en las preferencias autoidentificadas de los revisores puede mejorar su compatibilidad con los flujos de trabajo actuales.

Cómo leer artículos que utilizan el aprendizaje automático: guías de usuario para la literatura médica.

21 noviembre 2019

JAMA, 12 de noviembre de 2019Los modelos de aprendizaje automático generalmente tienen configuraciones preespecificadas adicionales llamadas hiperparámetros, que deben ajustarse en un conjunto de datos independiente del conjunto de validación. En el conjunto de validación, el resultado contra el cual se evalúa el modelo se denomina estándar de referencia

Tamaño de la población de seguridad pre-comercialización asociado con medicamentos del programa de aprobación acelarada y medicamentos huérfanos

23 octubre 2019

Este estudio da cuenta si una gran población de seguridad, definida como 1,500 o más sujetos, ayuda a predecir la aprobación de estos medicamentos. J Clin Epidemiol, septiembre de 2019

¿Son aptos los nuevos métodos analíticos no aleatorizados para la toma de decisiones regulatorias?

03 octubre 2019

El análisis de grandes bases de datos genera una oleada de estudios con diseños no aleatorizados, cuya utilidad y aplicación requiere una previa validación prospectiva, controlada y transparente de sus posibilidades. Clinical Pharmacology & Therapeutics, 1° de octubre de 2019

Análisis e informe de eventos adversos en ensayos controlados aleatorios: una revisión

25 septiembre 2019

BMJ Open 2019  Esta revisión destacó que la recopilación, el informe y el análisis de los datos de EA en los ensayos clínicos es inconsistente y los ECA como fuente de datos de seguridad están infrautilizados. Las áreas para mejorar incluyen la reducción de la pérdida de información al analizar a nivel del paciente y la práctica inapropiada de pruebas de hipótesis múltiples con poca potencia. La implementación de prácticas estándar de informes podría permitir una síntesis más precisa de los datos de seguridad y el desarrollo de una guía para la metodología estadística para evaluar la causalidad de los EA podría facilitar una mejor práctica estadística.

Categorias

Etiquetas