Utility of a physiologically–based pharmacokinetic (PBPK) modeling approach to quantitatively predict a complex drug–drug–disease interaction scenario for rivaroxaban during the drug review process: implications for clinical practice
Notice bibliographique
Résumé
BACKGROUND: Rivaroxaban is an oral Factor Xa inhibitor. The primary objective of this communication was to quantitatively predict changes in rivaroxaban exposure when individuals with varying degrees of renal impairment are co-administered with another drug that is both a P-gp and a moderate CYP3A4 inhibitor. METHODS: A physiologically based pharmacokinetic (PBPK) model was developed to simulate rivaroxaban pharmacokinetics in young (20-45 years) or older (55-65 years) subjects with normal renal function, mild, moderate and severe renal impairment, with or without concomitant use of the combined P-gp and moderate CYP3A4 inhibitor, erythromycin. RESULTS: The simulations indicate that combined factors (i.e., renal impairment and the use of erythromycin) have a greater impact on rivaroxaban exposure than expected when the impact of these factors are considered individually. Compared with normal young subjects taking rivaroxaban, concurrent mild, moderate or severe renal impairment plus erythromycin resulted in 1.9-, 2.4- or 2.6-fold increase in exposure, respectively in young subjects; and 2.5-, 2.9- or 3.0-fold increase in exposure in older subjects. CONCLUSIONS: These simulations suggest that a drug-drug-disease interaction is possible, which may significantly increase rivaroxaban exposure and increase bleeding risk. These simulations render more mechanistic insights as to the possible outcomes and allow one to reach a decision to add cautionary language to the approved product labeling for rivaroxaban.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».