Chemical and Toxicological Analysis of Antiretroviral Drugs
Notice bibliographique
Résumé
Introduction. Human Immunodeficiency Virus (HIV) is one of the main socially significant infection all over the world. HIV-positive patients take medical care, including antiretroviral drugs (ARVs) pharmacotherapy. Like all drugs, ARVs have lots of side effects that should be taken when prescribing drugs as part of highly active antiretroviral therapy. There are many cases when side effects of ARVs caused patients to enter the toxicology department. Therefore, the development of new methods for the analysis of ARV in biological fluids for the timely diagnosis of treatment of poisoning of this group of drugs is relevant today. Aim . The aim of this study is development of screening analysis of atazanavir, abacavir, nevirapine, ritonavir, lopinavir, zidovudine, darunavir and efavirenz in the urine to identify these drugs as possible toxicants for poisoning by high-performance liquid chromatography with tandem massselective detection (HPLC-MS/MS). Materials and methods . Identification of ARV was performed by HPLC-MS/MS. Methanol precipitation method was used as a sample preparation. Results and discussion . The optimal conditions for sample preparation, chromatographic separation, and mass-spectrometric detection were selected to determine the studied ARVs. This method was tested on urine samples from patients in the Department of Acute Poisoning and Somatopsychiatric Disorders (OOSPD) with acute ARV poisoning. Conclusion. This screening method for analyse atazanavir, abacavir, nevirapine, ritonavir, lopinavir, zidovudine, darunavir and efavirenz in human urine has been developed by HPLC-MS/MS. The developed method can be used to identify these drugs as possible toxicants in case of poisoning. The prospect for the development of the topic is the inclusion of new molecules in the method and quantitative determination of the studied ARVs.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».