Compounded Topical Gabapentin for Neuropathic Pain: Does Choice of Base Affect Efficacy?
Notice bibliographique
Résumé
The objective of this study was to investigate the effect of Lipoderm Cream, VersaBase Gel, and Emollient Cream on the release and permeation of gabapentin formulated for neuropathic pain. Gabapentin of different strengths (1%, 5%, and 10%) was compounded with the bases, diffusion of the drug from thebases, and permeation through artificial skin model studied with Franz diffusionsystem. Steady-state flux, cumulative permeation, and lag times were calculated,and release mechanisms modelled with first order, second-order, Higuchi, Korsmeyer-Peppas, and Hixon-Crowell kinetic models. Gabapentin recovery from VersaBase Gel, Lipoderm Cream, and Emollient Cream was 100.8 ± 2.7%, 101.3 ± 1.2%, and 104.9 ± 3.3%, respectively. Gabapentin completely diffused out of the three bases within 6 hours of application according to the Higuchi model. Flux of the drug appeared to be concentration-dependent with no permeation occurring at 1% strength. Whereas, 5% and 10% strengths in Lipoderm Cream permeated the skin rapidly, the same concentrations in Emollient Cream and VersaBase Gel required 60-minutes and 120-minutes lag times, respectively. For the three bases, a strong correlation was observed between lag times and flux. The overall permeation in VersaBase Gel and Lipoderm Base was not significantly different (P>0.05). However, Emollient Cream resulted in a significantly lower total permeation compared to other bases (P<0.05). As the formulations are for pain management, products with no lag times and higher flux are preferable. Although VersaBase Gel and Emollient Cream displayed some gabapentin permeability, it is important to consider gabapentin stability in these bases prior to use.
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 | 0,002 |
| 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 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 ».