Population Pharmacokinetic Study and Individual Dose Adjustments of High‐Dose Methotrexate in Chinese Pediatric Patients With Acute Lymphoblastic Leukemia or Osteosarcoma
Notice bibliographique
Résumé
) is among the first-line chemotherapeutic agents used in treating acute lymphoblastic leukemia (ALL) and osteosarcoma in children. Despite rapid hydration, leucovorin rescue, and routine therapeutic drug monitoring, severe toxicity is not uncommon. This study aimed at developing population pharmacokinetic (popPK) models of high-dose methotrexate for ALL and osteosarcoma and demonstrating the possibility and convenience of popPK model-based individual dose optimization using R and shiny, which is more accessible, efficient, and clinician-friendly than NONMEM. The final data set consists of 36 ALL (354 observations) and 16 osteosarcoma (585 observations) patients. Covariate model building and parameter estimations were done using NONMEM and Perl-speaks-NONMEM. Diagnostic Plots and bootstrapping validated the models' performance and stability. The dose optimizer developed based on the validated models can obtain identical individual parameter estimates as NONMEM. Compared to calling a NONMEM execution and reading its output, estimating individual parameters within R reduces the execution time from 8.7-12.8 seconds to 0.4-1.0 second. For each subject, the dose optimizer can recommend (1) an individualized optimal dose and (2) an individualized range of doses. For osteosarcoma, recommended optimal doses by the optimizer resemble the final doses at which the subjects were eventually stabilized. The dose optimizers developed demonstrated the potential to inform dose adjustments using a model-based, convenient, and efficient tool for high-dose methotrexate. Although the dose optimizer is not meant to replace clinical judgment, it provides the clinician with the individual pharmacokinetics perspective by recommending the (range of) optimal dose.
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 | 0,003 | 0,001 |
| 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 | 0,000 |
| 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 ».