Predicting Plasma Concentration of Risperidone Associated With Dosage Change
Notice bibliographique
Résumé
BACKGROUND: Due to high interindividual variability in peripheral pharmacokinetic parameters, dosing of antipsychotics relies on clinical trial and error. This blind process of upward or downward clinical dose titration carries a risk of relapse and adverse effects in the treatment of schizophrenia. Using population pharmacokinetic methods, the authors therefore sought to predict plasma concentrations of risperidone (RIS) plus 9-hydroxyrisperidone (9-OH-RIS) before a dosage change. METHODS: Two plasma samples were collected at 2 separate given time points for the measurement of RIS and 9-OH-RIS concentrations from 50 patients with schizophrenia or schizoaffective disorder maintained on risperidone (mean ± SD age = 56 ± 15 years; 39 men). After an oral risperidone dose adjustment, a third sample was collected. The plasma concentration of the third sample was individually predicted in a blinded fashion with the 2 baseline plasma concentrations before dose adjustment and clinical and demographic information, using the mixed-effects model with NONMEM that was derived from the data of the Clinical Antipsychotic Trials in Intervention Effectiveness study. RESULTS: The mean (95% confidence interval) prediction errors (in ng/mL) were as low as 0.0 (-1.3 to 1.4) for RIS and 1.0 (-1.1 to 3.0) for 9-OH-RIS. The observed and predicted concentrations of RIS and 9-OH-RIS were highly correlated (r = 0.96, P < 0.0001 and r = 0.92, P < 0.0001, respectively). CONCLUSIONS: Antipsychotic plasma concentrations can be predicted before risperidone dose adjustment. In light of the known relationship between plasma drug concentration, dopamine D2 receptor occupancy, and clinical effects, our results confirm that individualized dosing with the measurement of antipsychotic plasma concentrations has the potential for bedside clinical application.
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 ».