Theranostics in primary care: pharmacogenomics tests and beyond
Notice bibliographique
Résumé
Theranostics represents a broadening in the scope of personalized medicine to include companion diagnostics for health interventions ranging from drugs to vaccines, as well as individual susceptibility to disease. Surprisingly, in the course of this broadening of personalized medicine discourse, relatively little attention has been paid to primary care (as compared with tertiary healthcare settings) despite its vast patient population and being a crucial entry point to health services. Recent advances in pharmacogenomics (PGx), a classical theranostics application whereby genotyping and/or gene expression-based tests are used for targeted or optimal therapy, revealed new opportunities to characterize more precisely human genomic variation and the ways in which it contributes to person-to-person and population variations in drug response. In the immediate foreseeable future, the primary-care physicians are expected to play an ever increasing crucial role in PGx-based prescribing in order to reduce the rates of adverse drug events and improve drug efficacy, yet PGx testing in primary care remains limited. In this article, the authors review the advances in PGx applications, the barriers for their adoption in the clinic from a primary care point of view and the efforts that are being undertaken to move PGx forward in this hitherto neglected application context of theranostic medicine. Finally, the authors propose several salient recommendations, including a 5-year forecast, to accelerate the current convergence between PGx and primary care.
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 | 0,006 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,001 |
| 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 | 0,000 |
| 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 ».