From Bench to Bedside: Utilization of an In Vitro Model to Predict Potential Drug‐Drug Interactions in the Kidney: The Digoxin‐Mifepristone Example
Notice bibliographique
Résumé
Drug interactions are a common source of drug-induced toxicity. For drugs with narrow therapeutic windows, such as digoxin, an understanding of the potential mechanisms by which drugs might interact is essential to clinical practice. This article describes the utility of a renal tubular cell culture model in the prediction of drug interactions involving P-glycoprotein. Digoxin is a cardiac glycoside that undergoes active secretion in the renal tubules by the MDR1 (P-glycoprotein) drug efflux pump. Mifepristone (RU486) is a recently introduced abortifacient that is largely unstudied in terms of drug-drug interactions. The authors used an in vitro model to study the effects of mifepristone on the renal tubular secretion and cellular uptake of digoxin by Madin-Darby canine kidney (MDCK) cells. Mifepristone significantly inhibited the renal tubular secretion of digoxin (p = 0.0005), without interfering with its ability to enter the renal tubular cell. Similar results were found with the P-glycoprotein substrate vinblastine. The findings suggest that drug interactions may result if mifepristone is administered with P-glycoprotein substrates, highlighting the usefulness of this model in the study of not only common but also rare combinations of drugs.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».