Prediction Model of Serum Lithium Concentrations
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
INTRODUCTION: Therapeutic drug monitoring is necessary for lithium, but clinical application of several prediction strategies is still limited because of insufficient predictive accuracy. We herein proposed a suitable model, using creatinine clearance (CLcr)-based lithium clearance (Li-CL). METHODS: Patients receiving lithium provided the following information: serum lithium and creatinine concentrations, time of blood draw, dosing regimen, concomitant medications, and demographics. Li-CL was calculated as a daily dose per trough concentration for each subject, and the mean of Li-CL/CLcr was used to estimate Li-CL for another 30 subjects. Serum lithium concentrations at the time of sampling were estimated by 1-compartment model with Li-CL, fixed distribution volume (0.79 L/kg), and absorption rate (1.5/hour) in the 30 subjects. RESULTS: One hundred thirty-one samples from 82 subjects (44 men; mean±standard deviation age: 51.4±16.0 years; body weight: 64.6±13.8 kg; serum creatinine: 0.78±0.20 mg/dL; dose of lithium: 680.2±289.1 mg/day) were used to develop the pharmacokinetic model. The mean±standard deviation (95% confidence interval) of absolute error was 0.13±0.09 (0.10-0.16) mEq/L. DISCUSSION: Serum concentrations of lithium can be predicted from oral dosage with high precision, using our prediction model.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle