Therapeutic drug monitoring of drugs for treatment of substance-related disorders
Notice bibliographique
Résumé
Introduction The effect of pharmacotherapy of substance-related disorders is moderate at best. Objectives Therapeutic drug monitoring (TDM) could be an instrument to improve the outcomes. TDM is for most of these drugs not established yet. Aims The authors built a literature based rating scale to evaluate the necessity of TDM for these pharmacological agents. Methods A literature research was performed for TDM related properties of acamprosate, bupropion, buprenorphine, clomethiazole, disulfiram, methadone, naltrexone, and varenicline. A rating scale was established for evaluation. It included 28 items related to five categories (efficacy, toxicity, pharmacokinetics, patient characteristics and cost effectiveness). For comparison, three reference substances with established TDM were similarly assessed: clozapine, lithium and nortriptyline. Results The three reference substances, lithium, clozapine and nortriptyline, achieved scores of 15, 18, and 14 points, respectively. Rating of methadone (19 points), bupropion (14 points), buprenorphine (14 points), disulfiram (13) and naltrexone (12 points in the indication opioid-dependency and 10 points in the indication alcohol dependency) achieved more than 30% of the reachable points, whereas acamprosate (9 points), clomethiazole (9 points), and varenicline (5 points) had fewer points especially in the main characteristics in favor of TDM. Conclusions These results suggest this rating scale is sensitive to detect the appropriateness of TDM for drug treatment. Literature based rating and clinical experience give evidence that TDM has the potential to optimize the pharmacotherapy of substance related-disorders with different rank orders of the single substances.
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) | 0,000 | 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 ».