اليقظة الدوائية وأنماط الآثار الجانبية للأدوية: دراسة قائمة على البيانات حول سلامة الأدوية في الممارسة السريرية
الكلمات المفتاحية:
اليقظة الدوائية، الآثار الضارة للأدوية، التحليل القائم على البيانات، بيانات واقعية، سلامة الأدوية، كشف المؤشرات.الملخص
اليقظة الدوائية هي عملية منهجية لرصد وتحليل التفاعلات الدوائية الضارة (ADRs) لضمان سلامة المرضى بعد طرح الأدوية في السوق. تستعرض هذه الورقة البحثية مناهج اليقظة الدوائية المعاصرة القائمة على البيانات، مع التركيز على كيفية كشف قواعد بيانات الرعاية الصحية الضخمة والتحليلات الحديثة عن أنماط التفاعلات الدوائية الضارة. نصف مصادر البيانات التقليدية، مثل أنظمة الإبلاغ التلقائي (مثل VigiBase التابع لمنظمة الصحة العالمية ونظام FAERS التابع لإدارة الغذاء والدواء الأمريكية) والسجلات الصحية الإلكترونية (EHRs)، بالإضافة إلى مصادر البيانات الواقعية الناشئة، مثل منصات التواصل الاجتماعي وسجلات المرضى. نناقش أساليب رئيسية، بما في ذلك إحصاءات عدم التناسب والتعلم الآلي، مع أمثلة لدراسات حديثة استخدمت مجموعات بيانات التفاعلات الدوائية الضارة المفتوحة. نسلط الضوء على التجارب التي استخدمت بيانات متاحة للعامة، مثل تحليل تقارير FAERS باستخدام تحليل عدم التناسب، وتطوير مجموعات مرجعية للتفاعلات الدوائية الضارة للتحقق من صحتها. على سبيل المثال، تشير إحدى المراجعات المنهجية إلى أن التفاعلات الدوائية الضارة في الولايات المتحدة شكلت حوالي 6% من حالات دخول المستشفيات عام 2011، وبلغت تكلفتها مليارات الدولارات. ندرس أيضًا الأنماط الإقليمية (مثل الاختلافات في الإبلاغ عن الآثار الضارة للأدوية بين اليابان والبيانات العالمية) ونناقش تحديات مثل نقص الإبلاغ وجودة البيانات. توضح الأشكال والجداول عملية اليقظة الدوائية وخصائص بيانات الآثار الضارة للأدوية. من خلال الاستفادة من علوم البيانات الحديثة، يمكن للجهات المعنية اكتشاف مؤشرات السلامة مبكرًا وتصميم ممارسات سلامة الأدوية بما يتناسب مع السكان حول العالم.
المراجع
1. Desai, M. K. (2024). Artificial intelligence in pharmacovigilance - Opportunities and challenges. Perspectives in Clinical Research, 15(3), 116–121. https://doi.org/10.4103/picr.picr_290_23
2. Kim, J. V., Davis, S. E., Matheny, M. E., & Smith, J. C. (2024). Integrating electronic health records with other data sources for postmarket drug safety signal identification: A review. Frontiers in Drug Safety and Regulation, 4, Article 1428831.
3. Lavertu, A., Bouchard, B., Flamand, V., Paquet, F., Labrosse, É., Beauchesne, L., & L’Heureux, S. (2021). A new era in pharmacovigilance: Toward real-world data and digital monitoring of medicine safety. Clinical Pharmacology & Therapeutics, 110(4), 1194–1204. https://doi.org/10.1002/cpt.2545
4. Lee, S., Lee, J. H., Kim, G. J., Kim, J.-Y., Shin, H., Ko, I., Choe, S., & Kim, J. H. (2022). A data-driven reference standard for adverse drug reaction (RS-ADR) signal assessment: Development and validation. Journal of Medical Internet Research, 24(10), e35464. https://doi.org/10.2196/35464
5. Park, S., Lee, H., & Park, H. (2022). Analyzing adverse drug reaction using statistical and machine learning methods: A systematic review. Medicine, 101(36), e30098. https://doi.org/10.1097/MD.0000000000030098
6. Shin, J. M., Chung, W. I., Kwon, J., & Jee, C. (2021). Data-driven pharmacovigilance: A text mining and pharmacovigilance approach for predicting adverse drug events. Applied Sciences, 11(5), 2249. https://doi.org/10.3390/app11052249
7. Hamza Khalifa Ibrahim (2025). Global Trends in Cardiovascular Mortality and Risk Factors: Insights from WHO and Global Burden of Disease Data. (2025). Libyan Open University Journal of Medical Sciences and Sustainability, 1(1), 28-36
8. Wakao, R., Taavola, H., Sandberg, L., Iwasa, E., Soejima, S., Chandler, R., & Norén, G. N. (2019). Data-driven identification of adverse event reporting patterns for Japan in VigiBase, the WHO global database of individual case safety reports. Drug Safety, 42(12), 1487–1498. https://doi.org/10.1007/s40264-019-00861-y
9. World Health Organization. (2023, July). The WHO Programme for International Drug Monitoring. https://www.who.int/teams/regulation-prequalification/regulation-and-safety/pharmacovigilance/networks/pidm
10. U.S. Food and Drug Administration. (2023). FDA Adverse Event Reporting System (FAERS) Public Dashboard. https://www.fda.gov/drugs/questions-and-answers-fdas-adverse-event-reporting-system-faers/fda-adverse-event-reporting-system-faers-public-dashboard
11. Braun, T., Griese-Mammen, N., Schneider, A., & Schulz, M. (2020). Drug-related problems in older adults: A classification and literature review. Drugs-Real World Outcomes, 7(3), 167–176.
12. Nusaiba Abduladim Elmahjub (2025). Global Trends in Prescription Drug Utilization and Resistance Patterns: A 15-Year Comparative Study of Therapeutic Practices. (2025). Scientific Journal for Publishing in Health Research and Technology, 1(1), 26-34.
13. Aejeeliyah Yousuf (2025). Assessment of Antibiotic Resistance Trends Across Regions Through a 10 Year Retrospective Data Analysis. (2025). Scientific Journal for Publishing in Health Research and Technology, 1(1), 17-25.
14. Nusaiba Abduladim Elmahjub (2025). Deep Learning for Early Detection and Classification of Diabetic Retinopathy in Clinical Practice. (2025). Libyan Open University Journal of Medical Sciences and Sustainability, 1(1), 11-19.
