Pharmacogenomics Guided Prescription Changes Improved Medication Effectiveness in Patients With Mental Health-Related Disability: A Retrospective Cohort Analyses
Notice bibliographique
Résumé
Mental health problems are the leading cause of disability in Canadian workers. Medication ineffectiveness is hypothesized to increase the time to return-to-work in these workers. We assessed whether prescription changes based on pharmacogenomics profiling (Rx Report ® ) improved medication effectiveness in patients on mental health-related disability. In this retrospective cohort analyses, we assessed the impact of pharmacogenomic profiling on patient outcomes in 84 Canadian workers who were on a mental health-related disability between May 2018 and May 2019. All patients completed an informed consent form and a standard questionnaire including medical history, medications, disease symptoms, and medication side effects. Licensed pharmacists made recommendations for prescription changes in 83 patients. The main study outcome was medication effectiveness defined on a scale of 0 to 10 (0 being most effective and 10 being most ineffective) based on reported mood toward regular work tasks and medication side effects. We compared the medication effectiveness at baseline and at 3 months after the pharmacogenomics-based prescription changes. This retrospective cohort analyses included 46 patients who completed the follow-up questionnaires. Of them, 54% ( n = 25) were females, 67% (n = 31) were Caucasians, and the mean age was 38 years (standard deviation [SD] = 11). The average baseline effectiveness score was 8.39 (SD =1.22). Following the prescription changes, the medication effectiveness scores significantly improved to an average of 2.30 (SD = 1.01) at 3 months of follow-up (effect size r = 0.62, p = <0.001). Pharmacogenomics could help in improving treatment outcomes in patients on mental health-related disability.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».