Reviewing pharmacogenetics to advance precision medicine for opioids
Notice bibliographique
Résumé
BACKGROUND: Adequate opioid prescribing is critical for therapeutic success of pain management. Despite the widespread use of opioids, optimized opioid therapy remains unresolved with risk of accidental lethal overdosing. With the emergence of accumulating evidence linking genetic variation to opioid response, pharmacogenetic based treatment recommendations have been proposed. OBJECTIVE: The aim of this review is to evaluate pharmacogenetic evidence and provide an overview on genes involved in the pharmacokinetics and pharmacodynamics of opioids. METHODS: For this review, a systematic literature search of published articles was used in PubMed®, with no language restriction and between the time period of January 2000 to December 2020. We reviewed randomized clinical studies, study cohorts and case reports that investigated the influence of genetic variants on selected opioid pharmacokinetics and pharmacodynamics. In addition, we reviewed current CPIC clinical recommendations for pharmacogenetic testing. RESULTS: Results of this review indicate consistent evidence supporting the association between selected genetic variants of CYP2D6 for opioid metabolism. CPIC guidelines include recommendations that indicate the avoidance of tramadol use, in addition to codeine, in CYP2D6 poor metabolizers and ultrarapid metabolizers, and to monitor intermediate metabolizers for less-than-optimal response. While there is consistent evidence for OPRM1 suggesting increased postoperative morphine dosing requirements in A118G G-allele carriers, the clinical relevance remains limited. CONCLUSION: There is emerging evidence of clinical relevance of CYP2D6 and, to a lesser extent, OPRM1 polymorphism in personalized opioid drug dosing. As a result, first clinics have started to implement pharmacogenetic guidelines for CYP2D6 and codeine.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».