Simplification of Therapeutic Drug Monitoring for Twice-Daily Regimens of Lopinavir/Ritonavir for HIV infection
Notice bibliographique
Résumé
Cost and inconvenience limit the application of full 12-hour pharmacokinetic (PK) analysis for routine therapeutic drug monitoring of antiretroviral medications. We explore whether lopinavir (LPV) and ritonavir (RTV) exposures can be estimated with limited sampling for patients taking twice-daily LPV/RTV. One hundred and one PK profiles from 81 patients, most receiving salvage therapies including twice-daily LPV/RTV, were obtained for the analysis. After a minimum of 2 weeks on a stable regimen, blood was drawn immediately before and at 1, 2, 4, 6, 8, 10, and 12 hours after a timed medication dose. Plasma drug concentrations were determined by a validated HPLC-MS-MS assay. Peak concentrations, evening troughs, and AUC0-12 h were entered into linear and log10-log10 linear regression models to determine the best correlation with LPV and RTV plasma concentrations using a maximum of 2 time points. The accuracy and precision of PK parameter estimates of the resultant models were tested on data collected for an additional 25 patients. Twelve models using various combinations of 2 timed LPV concentrations afforded accurate (maximum % bias = -6.45) and precise (relative standard deviation < 15%) estimates for the LPV peak concentration or AUC0-12h. Four sets of 2 concentrations provided simultaneous estimates of both PK parameters, with the best estimates derived from data collected at 2 and 6 hours postdose. Evening trough concentrations were the best estimators of the daily nadir; however, no adequate substitute for collecting blood 12 hours postdose emerged from this analysis.
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 | 0,000 | 0,000 |
| 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 ».