MétaCan
Menu
Retour à la cohorte
Enregistrement W1916407220 · doi:10.1002/bdd.1934

Dealing with the complex drug–drug interactions: Towards mechanistic models

2014· review· en· W1916407220 sur OpenAlexaff
Manthena V. S. Varma, K. Sandy Pang, Nina Isoherranen, Ping Zhao

Notice bibliographique

RevueBiopharmaceutics & Drug Disposition · 2014
Typereview
Langueen
DomainePharmacology, Toxicology and Pharmaceutics
ThématiquePharmacogenetics and Drug Metabolism
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésPhysiologically based pharmacokinetic modellingDrugPharmacokineticsPharmacologyDrug metabolismDispositionTransporterDrug developmentMedicineComputational biologyChemistryPsychologyBiology

Résumé

récupéré en direct d'OpenAlex

Unmanageable severe adverse events caused by drug-drug interactions (DDIs), leading to market withdrawals or restrictions in the clinical usage, are increasingly avoided with the improvement in our ability to predict such DDIs quantitatively early in drug development. However, significant challenges arise in the evaluation and/or prediction of complex DDIs caused by inhibitor drugs and/or metabolites that affect not one but multiple pathways of drug clearance. This review summarizes the discussion topics at the 2013 AAPS symposium on "Dealing with the complex drug-drug interactions: towards mechanistic models". Physiologically based pharmacokinetic (PBPK) models, in combination with the established in vitro-to-in vivo extrapolations of intestinal and hepatic disposition, have been successfully applied to predict clinical pharmacokinetics and DDIs, especially for drugs with CYP-mediated metabolism, and to explain transporter-mediated and complex DDIs. Although continuous developments are being made towards improved mechanistic prediction of the transporter-enzyme interplay in the hepatic and intestinal disposition and characterizing the metabolites contribution to DDIs, the prediction of DDIs involving them remains difficult. Regulatory guidelines also recommended use of PBPK modeling for the quantitative prediction and evaluation of DDIs involving multiple perpetrators and metabolites. Such mechanistic modeling approaches culminate to the consensus that modeling is helpful in predicting DDIs or quantitatively rationalizing the clinical findings in complex situations. Furthermore, they provide basis for the prediction and/or understanding the pharmacokinetics in populations like patients with renal impairment, pediatrics, or various ethnic groups where the conduct of clinical studies might not be feasible in early drug development stages and yet some guidance on management of dosage is necessary.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesMéta-épidémiologie (sens strict)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,958
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0020,000
Intégrité de la recherche0,0000,003
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,221
Tête enseignante GPT0,480
Écart entre enseignants0,260 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations77
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBiopharmaceutics & Drug DispositionMême sujetPharmacogenetics and Drug MetabolismTravaux en français237 207