Drug-drug Interactions in Patients with HIV and Cancer in Sub-Saharan Africa
Notice bibliographique
Résumé
In Sub-Saharan Africa, the cancer burden is predicted to increase by > 85% by 2030, the largest increase worldwide. This region has a large HIV-positive population. Drug-drug interactions (DDIs) from concomitant use of multiple drugs increase the risk of drug toxicities, sub-optimal therapy, and drug resistance. With the increase in polypharmacy, involving antiretroviral (ARV), and anticancer drugs, there is a greater need for an appreciation of clinically relevant DDIs. Anticancer and ARV drugs studied in this review were from The World Health Organization's Model List of Essential Medicines 2017. We reviewed; drug package inserts, www.drugbank.ca and www.UpToDate.com, to evaluate pharmacokinetic interactions with cytochrome P450 (CYP450) and ABCB1. The DDIs between drugs were assessed using the University Of Liverpool, UK HIV Drug Interactions Checker, and the LexiComp Drug Interaction tool of www.UpToDate.com. About 70% of ARVs studied interact with CYP450, all involve CYP3A4, and 55% interact with ABCB1. About 65% of anticancer drugs interact with CYP450, 44% of which do so through CYP3A4. About 75% of anticancer drugs interact with ARV drugs, with nine absolute contraindications to concomitant therapy. There exist a substantial number of DDIs between ARV and anticancer drugs, primarily mediated through CYP450 enzymes. Dolutegravir based regimens offer the safest DDI profile for concurrent use with anticancer drugs. However, there are substantial gaps in our knowledge, and this study serves to highlight the need for additional research to better define these interactions and their effect on drug exposure, as attention to these DDIs is a relatively simple intervention that could lead to optimizing disease treatment.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».