An Innovative Software Solution for Personalized Pharmacotherapy
Notice bibliographique
Résumé
Drug-drug and drug-gene interactions are an important issue in healthcare. In the USA, in 1994-1995, it was estimated that there were approximately 2 million severe adverse drug reactions resulting in 76,000-137,000 deaths. A more recent study published in 2004 shows that 5% of hospital admissions in the UK are directly attributable to adverse drug reactions. Moreover, adverse drug reactions in the USA contribute to significant hospital costs of between US$1.5 and 4 billion per year. Drug metabolism is one determinant of how our bodies respond to drugs. Polymorphisms of the six major cytochrome drug metabolizing genes can lead to either poor metabolism of drugs, hence, increasing probability of toxic reactions, or enhanced metabolism leading to decreased efficacy; with opposite affects for prodrugs. Also, there are the potentially increased costs due to wastage, lack of therapeutic response, repeat doctor visits and poor patient compliance. In addition, when multiple drugs are co-administered some may act as enzyme inducers or enzyme inhibitors further complicating expected drug responses. Considering today's polypharmacy, the number of over-the-counter drugs used, environmental exotoxins, which may inhibit or induce drug metabolism (cigarette smoke), nutrients and other foods, the combination of possibilities of cytochrome P450 interactions and drug-drug interactions affecting a patient response to therapy is overwhelming. A dedicated pharmaceutical decision support software solution, designed to be intuitive, informative and provide ease of use, would greatly increase the probabilities that patients could receive much more individualized treatment. The Rx Factor, through proprietary algorithms, provides the clinician with a dosage modification recommendation for all major substrate medications being prescribed or taken, by an individual.
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) | 0,000 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».