Estimating the Potential Impact of CYP2C19 and CYP2D6 Genetic Testing on Protocol-Based Care for Depression in Canada and the United States
Notice bibliographique
Résumé
The Sequenced Treatment Alternatives to Relieve Depression (STAR*D) algorithm is the most recognized protocol-based care approach for moderate to severe depression. However, its implementation results in one-third of individuals receiving modest to no symptom remission. One possible explanation is the inter-individual differences in antidepressant metabolism due to CYP2C19 and CYP2D6genetic variation. Here, we aimed to determine the potential benefit of pairing CYP2C19 and CYP2D6testing with the five-step STAR*D algorithm. To estimate the proportion of individuals that could benefit from CYP2C19 and CYP2D6 testing, we simulated the STAR*D algorithm using ethnicity-specific phenotype (e.g., metabolizer status) frequencies published by the Clinical Pharmacogenetics Implementation Consortium and census data from the Canada and the US. We found that up to one-third of the US and Canadian populations being treated for depression could benefit from the addition of CYP2C19and CYP2D6 genetic testing. The potential benefit varied for each step of the algorithm and for each province, territory, and state. CYP2C19 genotyping had the greatest potential impact within the first two steps of the algorithm, while CYP2D6 genotyping had the most notable impact in Steps 3, 4, and 5. Our findings suggest the implementation of CYP2C19and CYP2D6 genetic testing alongside the STAR*D treatment algorithm may improve depression treatment outcomes in Canada and the US.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,028 | 0,118 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».