A New Approach to Measure Adherence to Medicines Using Biomarkers and Sensors
Notice bibliographique
Résumé
Approximately one in two patients with a chronic disease does not take their medicines as prescribed. Poor adherence is a worldwide epidemic and a major source of variability in pharmacokinetics (PK) and pharmacodynamics. Without addressing adherence, precision medicine is unlikely to come to fruition. In drug development, poor adherence confounds the estimates for efficacy and safety of drug candidates. Accurate and high-resolution measurement of adherence is a first step toward effective interventions against poor adherence. We describe a new cross-technology platform to measure adherence. The approach involves, first, building PK models to explain dose-exposure relationships. The model incorporates PK biomarkers by genotyping or phenotyping of drug metabolism, transport and other drug clearance pathways. Importantly, dose-exposure data for model building are obtained in healthy volunteer and/or patient cohorts who are ascertained for full adherence, using edible ingestion sensors (IS) that digitize orally administered medicines. Second, the built model is harnessed to back calculate the dose actually ingested by patients, given the empirically observed drug exposure, PK biomarker, demographic, and other patient data. The proposed platform is envisioned to result in development of both drug and drug-specific companion software for adherence measurement. In terms of feasibility, the new approach overlaps with current drug development timelines spanning the Phase 1 to 4 clinical trial continuum, and thus, could conceivably be implemented without requiring significant changes to the time sensitive clinical trial processes. For the IS-powered tools, the proposed platform creates a new space for applications in clinical trials to ensure adherence.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 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 ».