Vancomycin Pharmacokinetics and Bayesian Estimation in Pediatric Patients
Notice bibliographique
Résumé
The vancomycin pharmacokinetic profile was characterized in six pediatric patients and the potential of nonlinear mixed effects modeling and Bayesian forecasting for vancomycin monitoring was explored using NONMEM V (1.1). Based on steady state serial vancomycin concentrations, the estimates of mean t1/2, Vd, and Cl derived by the Sawchuk and Zaske method (1) were 3.52 hours, 0.57 L/kg, and 0.12 L/h per kg, respectively. NONMEM analysis demonstrated that a weight-adjusted two-compartment model described individual patients' data better than a comparable one-compartment model. The two-compartment estimates of mean t1/2alpha, t1/2beta, Vss, and Cl were 0.80 hour, 5.63 hours, 0.63 L/kg, and 0.11 L/h per kg, respectively. The relatively long mean t1/2alpha suggests that peak vancomycin concentrations measured earlier than 4 hours postdose do not reflect postdistributional serum concentrations. NONMEM population modeling revealed that a weight-adjusted two-compartment model provided a better fit than a comparable one-compartment model. The resulting population parameters and variances were fixed in NONMEM to obtain Bayesian predictions of individual vancomycin serum concentrations. Bayesian estimation with either a single midinterval or trough sample has the potential to provide accurate and precise predictions of vancomycin concentrations. This should be evaluated using a vancomycin population pharmacokinetic model based on a larger sample of pediatric patients.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,013 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».