Experience with Lexicomp® Online Drug Database for Medication Review and Drug-Drug Interaction Analysis within a Comprehensive Geriatric Assessment in Elderly Cancer Patients
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: We studied the use of Lexicomp®, an online drug information database, for adequate identification of drug-drug interactions (DDIs) within Comprehensive Geriatric Assessment (CGA) in cancer patients. Materials and Methods: Data of 149 onco-geriatric patients were reviewed. Sixty-three percent participated in an observational study recruiting head and neck cancer patients (H&N-group), 37% in a registry recruiting general oncology patients (GO-group). Baseline drug information was collected by a health professional, through the medical interview within CGA. Drug class usage was quantified and potential DDIs were assessed and categorized (risk rating "C": monitor therapy, "D": consider therapy modification, "X": avoid combination) with Lexicomp®. Results: On average, H&N and GO-patients took 5 and 8 prescription drugs at presentation, respectively. An average of 4 drugs were added in both groups as part of their proposed therapy. Potential DDIs (n=211 H&N; n=247 GO) were detected by Lexicomp® in 64.9% (85.3% "C", 14.7% "D", 0% "X") and 83.6% (83.4% "C", 15.8% "D", 0.8% "X") of H&N and GO patients, respectively, at therapy start. Administration of cancer-therapy-related drugs lead to additional DDIs (n=75 H&N; n=68 GO) in 73.7% and 58.3% of H&N and GO cases, respectively. DDIs occurred mainly with supportive drugs (100% H&N and 83.8% GO). Sixteen percent of potential DDIs were identified with anti-neoplastic drugs in the GO-group. In 28.7% and 60.0% of H&N and GO patients, respectively, at least one drug was not recognized by Lexicomp®. Conclusions: Use of Lexicomp® drug database within CGA is feasible. It could reduce the administration of inappropriate drugs, and in that way improve the quality of patient-individualized therapy.
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.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle