Introducing pharmacogenetic testing with clinical decision support into primary care: a feasibility study
Notice bibliographique
Résumé
BACKGROUND: Inappropriate prescribing increases patient illness and death owing to adverse drug events. The inclusion of genetic information into primary care medication practices is one solution. Our aim was to assess the ability to obtain and genotype saliva samples and to determine the levels of use of a decision support tool that creates medication options adjusted for patient characteristics, drug-drug interactions and pharmacogenetics. METHODS: We conducted a cohort study in 6 primary care settings (5 family practices and 1 pharmacy), enrolling 191 adults with at least 1 of 10 common diseases. Saliva samples were obtained in the physician's office or pharmacy and sent to our laboratory, where DNA was extracted and genotyped and reports were generated. The reports were sent directly to the family physician/pharmacist and linked to an evidence-based prescribing decision support system. The primary outcome was ability to obtain and genotype samples. The secondary outcomes were yield and purity of DNA samples, ability to link results to decision support software and use of the decision support software. RESULTS: Genotyping resulted in linking of 189 patients (99%) with pharmacogenetic reports to the decision support program. A total of 96.8% of samples had at least 1 actionable genotype for medications included in the decision support system. The medication support system was used by the physicians and pharmacists 236 times over 3 months. INTERPRETATION: ClinicalTrials.gov, NCT02383290.
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 | 0,024 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».