Notice bibliographique
Résumé
Prescription and over-the-counter drug use during pregnancy is necessary for many women today. A study of US and Canadian women found that, on average, 2.3 drugs were used during pregnancy; however, 28% reported using more than 4. For some women, this is because they become pregnant with preexisting conditions that require ongoing or intermittent pharmacotherapy. For others, this is because pregnancy itself can give rise to new medical conditions such as gestational diabetes and preeclampsia. The principal concern of prescribing physicians is whether or not agents will harm the fetus (i.e., have teratogenic effects). This concern rose to prominence primarily as a result of the thalidomide disaster. Marketed for use in morning sickness, thalidomide was found to be a potent teratogen capable of producing a variety of birth defects relating to development. Consequently, determining the teratogenicity of new drugs currently dominates the objectives of pregnancy-relevant experiments conducted throughout drug development. This often comes at the expense of valuable pharmacokinetic (PK) studies, which are seldom performed pre-market. Sex differences in PK parameters have been demonstrated in animals and humans since the 1930s. It is, therefore, not surprising that differences also arise in pregnancy. A wide array of physiological and hormonal changes occur during pregnancy; most begin early in the first trimester and increase linearly until parturition. Physicians lacking adequate PK information typically prescribe the standard adult dose in pregnancy, and this can be either inadequate or excessive depending on a variety of factors. The purpose of this report is to highlight this issue and illustrate how current methods used to obtain PK data in pregnancy are insufficient. The steps that are being taken to address this issue will also be discussed.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 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 ».