Pharmacogenetics of alcohol, nicotine and drug addiction treatments
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The numerous premature deaths, medical complications and socio-economic repercussions of drug and alcohol addiction suggest that improvements in treatment strategies for addictive disorders are warranted. The use of pharmacogenetics to predict response to medication, side effects and appropriate dosages is relatively new in the field of drug addiction. However, increasing our understanding of the genetic factors influencing these processes may improve the treatment of addiction in the future. We examined the available scientific literature on pharmacogenetic advancements in the field of drug addiction with a focus on alcohol and tobacco to provide a summary of genes implicated in the effectiveness of pharmacotherapy for addiction. In addition, we reviewed pharmacogenetic research on cocaine and heroin dependence. Thus far, the most promising results were obtained for polymorphisms in the OPRM1 and CYP2A6 genes, which have been effective in predicting clinical response to naltrexone in alcoholism and nicotine replacement therapy in smoking, respectively. Opinions differ as to whether pharmacogenetic testing should be implemented in the clinic at this time because clinical utility and cost-effectiveness require further investigation. However, the data summarized in this review demonstrate that pharmacogenetic factors play a role in response to addiction pharmacotherapy and have the potential to aid in the personalization of addiction treatments. Such data may lead to improved cessation rates by allowing physicians to select medications for individuals based, at least in part, on genetic factors that predispose to treatment success or failure rather than on a trial and error basis.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découle