Herbal Supplements and Therapeutic Drug Monitoring: Focus on Digoxin Immunoassays and Interactions With St. John's Wort
Notice bibliographique
Résumé
Herbal supplements can affect concentrations of therapeutic drugs measured in biological fluids by different mechanisms. Herbal products can either directly interfere with the methodology used in the measurement of drugs or indirectly interfere by altering the pharmacokinetics of coadministered drugs. The active components of Chan Su, Lu-Shen-Wan, Dan Shen, Asian and Siberian ginseng, oleander containing supplements, and Ashwagandha interfere with digoxin measurements by immunoassays, especially the polyclonal antibody-based immunoassays. Herbal supplements are sometimes contaminated with Western drugs causing drug toxicity. A therapeutic drug monitoring (TDM) service is very helpful for diagnosis of drug toxicity in such patients. Herbal products such as St. John's wort, a popular herbal antidepressant, increase the clearance of certain drugs either by increasing the activity of liver or intestinal cytochrome P-450 mixed-function oxidase or through modulation of the P-glycoprotein efflux pump. Significantly reduced concentrations of various therapeutic drugs such as digoxin, theophylline, cyclosporine, tacrolimus, tricyclic antidepressants, warfarin, and protease inhibitors can be observed due to interaction of these drugs with St. John's wort, causing treatment failure. On the other hand, a few drugs such as carbamazepine, mycophenolic acid, and procainamide do not show any interaction with St. John's wort. Understanding the effect of herbal products on TDM methodologies and identification of interactions between herbal products and drugs by TDM are very important clinically.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».