Optimising Seniors’ Metabolism of Medications and Avoiding Adverse Drug Events Using Data on How Metabolism by Their P450 Enzymes Varies with Ancestry and Drug–Drug and Drug–Drug–Gene Interactions
Notice bibliographique
Résumé
Many individuals ≥65 have multiple illnesses and polypharmacy. Primary care physicians prescribe >70% of their medications and renew specialists' prescriptions. Seventy-five percent of all medications are metabolised by P450 cytochrome enzymes. This article provides unique detailed tables how to avoid adverse drug events and optimise prescribing based on two key databases. DrugBank is a detailed database of 13,000 medications and both the P450 and other complex pathways that metabolise them. The Flockhart Tables are detailed lists of the P450 enzymes and also include all the medications which inhibit or induce metabolism by P450 cytochrome enzymes, which can result in undertreatment, overtreatment, or potentially toxic levels. Humans have used medications for a few decades and these enzymes have not been subject to evolutionary pressure. Thus, there is enormous variation in enzymatic functioning and by ancestry. Differences for ancestry groups in genetic metabolism based on a worldwide meta-analysis are discussed and this article provides advice how to prescribe for individuals of different ancestry. Prescribing advice from two key organisations, the Dutch Pharmacogenetics Working Group and the Clinical Pharmacogenetics Implementation Consortium is summarised. Currently, detailed pharmacogenomic advice is only available in some specialist clinics in major hospitals. However, this article provides detailed pharmacogenomic advice for primary care and other physicians and also physicians working in rural and remote areas worldwide. Physicians could quickly search the tables for the medications they intend to prescribe.
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 | 0,003 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».