Advances in Therapeutic Drug Monitoring in Biologic Therapies for Pediatric Inflammatory Bowel Disease
Notice bibliographique
Résumé
In the current era of treat-to-target strategies, therapeutic drug monitoring (TDM) has emerged as a potential tool in optimizing the efficacy of biologics for children diagnosed with inflammatory bowel disease (IBD). The incorporation of TDM into treatment algorithms, however, has proven to be complex. "Proactive" TDM is emerging as a therapeutic strategy due to a recently published pediatric RCT showing a clear benefit of "proactive" TDM in anti-TNF therapy. However, target therapeutic values for different biologics for different disease states [ulcerative colitis (UC) vs. Crohn's disease (CD)] and different periods of disease activity (induction vs. remission) require further definition. This is especially true in pediatrics where the therapeutic armamentarium is limited, and fixed weight-based dosing may predispose to increased clearance leading to decreased drug exposure and subsequent loss of response (pharmacokinetic and/or immunogenic). Model-based dosing for biologics offers an exciting insight into dose individualization thereby minimizing the chances of losing response. Similarly, point-of-care testing promises real-time assessment of drug levels and individualized decision-making. In the current clinical realm, TDM is being used to prolong drug durability and efficacy and prevent loss of response. Ongoing innovations may transform it into a personalized tool to achieve optimal therapeutic endpoints.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».