Pharmacist-Led Medication Evaluation Considering Pharmacogenomics and Drug-Induced Phenoconversion in the Treatment of Multiple Comorbidities: A Case Report
Notice bibliographique
Résumé
Pharmacogenomic (PGx) information can guide drug and dose selection, optimize therapy outcomes, and/or decrease the risk of adverse drug events (ADEs). This report demonstrates the impact of a pharmacist-led medication evaluation, with PGx assisted by a clinical decision support system (CDSS), of a patient with multiple comorbidities. Following several sub-optimal pharmacotherapy attempts, PGx testing was recommended. The results were integrated into the CDSS, which supported the identification of clinically significant drug-drug, drug-gene, and drug-drug-gene interactions that led to the phenoconversion of cytochrome P450. The pharmacist evaluated PGx results, concomitant medications, and patient-specific factors to address medication-related problems. The results identified the patient as a CYP2D6 intermediate metabolizer (IM). Duloxetine-mediated competitive inhibition of CYP2D6 resulted in phenoconversion, whereby the patient's CYP2D6 phenotype was converted from IM to poor metabolizer for CYP2D6 co-medication. The medication risk score suggested a high risk of ADEs. Recommendations that accounted for PGx and drug-induced phenoconversion were accepted. After 1.5 months, therapy changes led to improved pain control, depression status, and quality of life, as well as increased heart rate, evidenced by patient-reported improved sleep patterns, movement, and cognition. This case highlights the pharmacist's role in using PGx testing and a CDSS to identify and mitigate medication-related problems to optimize medication regimen and medication safety.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,001 | 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 ».