Clinical utility of therapeutic drug monitoring of antiepileptic drugs
Notice bibliographique
Résumé
OBJECTIVE: To systematically review and evaluate the available evidence supporting or refuting clinical use of therapeutic drug monitoring (TDM) of antiepileptic drugs (AEDs) in patients with epilepsy. METHODS: We searched MEDLINE, Embase, BIOSIS, Cochrane, PubMed, Africa-Wide Information, Web of Science, and grey literature. Randomized controlled studies and observational studies that compared the clinical outcomes of TDM vs non-TDM were included. Two reviewers independently extracted the data. The primary outcome was seizure control; adverse effects were considered as secondary outcomes. The PROSPERO ID of this systematic review's protocol is CRD42018089925. RESULTS: Sixteen studies were identified meeting eligibility requirements. Four randomized controlled trials (RCTs), 1 meta-analysis, and 11 quasiexperimental (QE) studies were included in the systematic review. Results from the analysis of RCTs showed no significant positive effect of TDM on seizure outcome (only 25% positive effect of phenytoin). However, some of the QE studies found that TDM was associated with better seizure control or lower rates of adverse effects. The existing evidence from various designs has shown various methodological implications, which warrants inconclusive results and highlights the requirement of more number of studies in this line. CONCLUSIONS: If optimally implemented, TDM may enhance clinical care, particularly for phenytoin and other AEDs with complex pharmacokinetics. However, the ideal method for implementation is unclear, and serum drug levels should be considered in context with patient-reported clinical data regarding seizure control and adverse events.
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 | 0,006 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,005 |
| 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 ».