MétaCan
Menu
Retour à la cohorte
Enregistrement W3126879320 · doi:10.1002/cpt.2198

Model‐Informed Drug Development for Anti‐Infectives: State of the Art and Future

2021· review· en· W3126879320 sur OpenAlexaff
Craig R. Rayner, Patrick F. Smith, David R. Andes, Kayla Andrews, Hartmut Derendorf, Lena E. Friberg, Debra Hanna, Alex J. Lepak, Edward Mills, Thomas M. Polasek, Jason A. Roberts, Virna Schuck, Mark Shelton, David Wesche, K Rowland‐Yeo

Notice bibliographique

RevueClinical Pharmacology & Therapeutics · 2021
Typereview
Langueen
DomaineMedicine
ThématiqueAntibiotics Pharmacokinetics and Efficacy
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésDrug developmentMedicineDrugResistance (ecology)Drug resistanceIntensive care medicinePharmacologyBiology

Résumé

récupéré en direct d'OpenAlex

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 machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,013
score de la tête « metaresearch » (Gemma)0,012
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil0,068

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0130,012
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,003
Communication savante0,0060,007
Science ouverte0,0030,003
Intégrité de la recherche0,0030,006
Charge utile insuffisante (le modèle a refusé de juger)0,0050,003

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.

Tête enseignante Opus0,155
Tête enseignante GPT0,484
Écart entre enseignants0,328 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations75
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueClinical Pharmacology & TherapeuticsMême sujetAntibiotics Pharmacokinetics and EfficacyTravaux en français237 207