Model‐Informed Drug Development for Anti‐Infectives: State of the Art and Future
Notice bibliographique
Résumé
Model-informed drug development (MIDD) has a long and rich history in infectious diseases. This review describes foundational principles of translational anti-infective pharmacology, including choice of appropriate measures of exposure and pharmacodynamic (PD) measures, patient subpopulations, and drug-drug interactions. Examples are presented for state-of-the-art, empiric, mechanistic, interdisciplinary, and real-world evidence MIDD applications in the development of antibacterials (review of minimum inhibitory concentration-based models, mechanism-based pharmacokinetic/PD (PK/PD) models, PK/PD models of resistance, and immune response), antifungals, antivirals, drugs for the treatment of global health infectious diseases, and medical countermeasures. The degree of adoption of MIDD practices across the infectious diseases field is also summarized. The future application of MIDD in infectious diseases will progress along two planes; "depth" and "breadth" of MIDD methods. "MIDD depth" refers to deeper incorporation of the specific pathogen biology and intrinsic and acquired-resistance mechanisms; host factors, such as immunologic response and infection site, to enable deeper interrogation of pharmacological impact on pathogen clearance; clinical outcome and emergence of resistance from a pathogen; and patient and population perspective. In particular, improved early assessment of the emergence of resistance potential will become a greater focus in MIDD, as this is poorly mitigated by current development approaches. "MIDD breadth" refers to greater adoption of model-centered approaches to anti-infective development. Specifically, this means how various MIDD approaches and translational tools can be integrated or connected in a systematic way that supports decision making by key stakeholders (sponsors, regulators, and payers) across the entire development pathway.
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) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».