Assessment of romosozumab efficacy in the treatment of postmenopausal osteoporosis: Results from a mechanistic PK-PD mechanostat model of bone remodeling
Notice bibliographique
Résumé
This paper introduces a theoretical framework for the study of the efficacy of romosozumab, a humanized monoclonal antibody targeting sclerostin for the treatment of osteoporosis. We developed a comprehensive mechanistic pharmacokinetic-pharmacodynamic (PK-PD) model of the effect of drug treatment on bone remodeling in postmenopausal osteoporosis (PMO). We utilized a one-compartment PK model to represent subcutaneous injections of romosozumab and subsequent absorption into serum. The PD model is based on a recently-developed bone cell population model describing the bone remodeling process at the tissue scale. The latter accounts for mechanical feedback by incorporating nitric oxide (NO) and sclerostin (Scl) as biochemical feedback molecules. Utilizing a competitive binding model, where Wnt and Scl compete for binding to LRP5/6, allows to regulate anabolic bone remodeling responses. Here, we extended this model with respect to romosozumab binding to sclerostin. For the currently approved monthly injections of 210 mg, the model predicted a 6.59%, 10.38% and 15.25% increase in BMD at the lumbar spine after 6, 12 and 24 months, respectively. These results are in good agreement with the data reported in the literature. Our model is also able to distinguish the bone-site specific drug effects. For instance, at the femoral neck, our model predicts a BMD increase of 3.85% after 12 months of 210 mg injections, which is consistent with literature observations. Finally, our simulations indicate rapid bone loss after treatment discontinuation, indicating that some additional interventions such as use of bisphosphonates are required to maintain bone mass.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».