Using information from an indication-based electronic prescribing system to increase pharmacovigilance around antidepressant use for indications besides depression

Antidepressants are among the most commonly used medications in North America and are prescribed to treat not only depression, but also a host of other indications, many of which are off-label and lack supporting evidence. The ability to carry out pharmacovigilance activities on antidepressant use for different indications is severely hampered by the fact that treatment indications for medications are not routinely documented. Moreover, there are currently no validated mechanisms that exist to predict this missing information. Data from indication-based electronic prescribing systems could address these shortcomings and be used to conduct important pharmacovigilance activities on antidepressants. However, because such systems have not yet been widely implemented, the creation of validated algorithms that can accurately predict when antidepressants are being prescribed for indications besides depression could be valuable tools for enabling pharmacovigilance activities on antidepressants.OBJECTIVESThe overall goal of this thesis was to increase the capacity for comprehensive pharmacovigilance around antidepressants by using data from a unique indication-based electronic prescribing system to address four specific research objectives:1)Determine the prevalence of different treatment indications, including off-label indications, for antidepressants in primary care and to assess the level of scientific support for off-label indications;2)Evaluate the accuracy of using diagnostic codes recorded in administrative health data to infer treatment indications, compared to gold-standard treatment indications for antidepressants;3)Use standard regression techniques to predict and identify important determinants of antidepressant prescriptions for indications besides depression; and4)Explore the use of more flexible machine-learning algorithms and an ensemble learning approach called “super learning” to predict when antidepressant prescriptions are written for indications besides depression.CONCLUSIONSThis thesis provides important evidence showing the need for heightened pharmacovigilance around antidepressant use for off-label indications and increases capacity to perform these pharmacovigilance activities by addressing measurement challenges around treatment indications for antidepressants. This thesis also uncovers important factors associated with antidepressant treatment indications that may be used to inform health policies and interventions aimed at changing prescribing behaviours for antidepressants. Methodologically, this thesis demonstrates an approach for enabling researchers to predict treatment indications for multiple indication drugs in the absence of documented treatment indications and makes important contributions towards improving practices for predicting outcomes in epidemiology.Les antidépresseurs sont parmi les plus utilisés en Amérique du Nord et sont prescrits pour traiter non seulement la dépression, mais aussi de nombreuses autres indications, dont plusieurs sont non approuvées et non appuyées par des données probantes. Il est difficile de mener des activités de pharmacovigilance sur l'utilisation des antidépresseurs selon l’indication puisque cette indication est rarement documentée. En outre, il n'existe actuellement aucun mécanisme validé pour prédire cette information manquante. L’utilisation de systèmes de prescription électronique incluant l’indication pourraient permettre de résoudre ce problème et servir pour des activités de pharmacovigilance sur les antidépresseurs. Cependant, étant donné que de tels systèmes sont peu répandu, algorithmes validés qui peuvent prédire avec précision lorsque des antidépresseurs sont prescrits pour des indications autres que la dépression pourrait constituer des outils précieux pour permettre des activités de pharmacovigilance sur les antidépresseurs. OBJECTIFS L'objectif général de cette thèse était d'accroître les capacités de pharmacovigilance concernant les antidépresseurs en utilisant les données d'un système unique de prescription électronique incluant l’indication pour répondre à quatre objectifs de recherche spécifiques:1)Déterminer la prévalence des différentes indications de traitement, y compris les indications non approuvées, pour les antidépresseurs dans les soins primaires et évaluer le niveau de données probantes pour les indications non approuvées ;2)Valider la précision des codes diagnostics provenant des données clinico-administratives par rapport aux indications de traitement de référence pour les antidépresseurs;3)Utiliser des techniques standards de régression logistique pour prédire et identifier les déterminants importants des ordonnances d’antidépresseurs pour les indications autres que la dépression; et4)Explorez l'utilisation d'algorithmes d'apprentissage machine plus flexibles et une approche d'apprentissage par ensemble appelée «super apprentissage» pour prédire quand les ordonnances d’antidépresseurs sont rédigées pour des indications autres que la dépression.CONCLUSIONSCette thèse présente des données importantes montrant la nécessité d'une pharmacovigilance accrue autour de l'utilisation des antidépresseurs pour des indications non approuvées, et augmente la capacité d'effectuer ces activités de pharmacovigilance en abordant les défis de mesure autour des indications de traitement des antidépresseurs. Cette thèse révèle également des facteurs importants associés aux indications de traitement antidépresseur, qui peuvent être utilisés pour informer les politiques de santé et les interventions visant à modifier les comportements de prescription des antidépresseurs. Méthodologiquement, cette thèse démontre une approche permettant aux chercheurs de prédire les indications de traitement pour les médicaments à indications multiples en l'absence d'indications de traitement documentées, et apporte d'importantes contributions à l'amélioration des pratiques de prévision des résultats en épidémiologie