Using Bayesian Modeling to Optimize Antipsychotic Dosage in Clinical Practice
Notice bibliographique
Résumé
Aim A robust and user-friendly software tool was developed for the prediction of dopamine D2 receptor occupancy (RO) in patients with schizophrenia treated with either olanzapine or risperidone. This tool can facilitate clinician exploration of the impact of treatment strategies on RO using sparse plasma concentration measurements. Methods Previously developed population pharmacokinetic (PPK) models for olanzapine and risperidone were combined with a PD model for D2 receptor occupancy (RO) and implemented in the R programming language. MAP Bayesian estimation was used to provide predictions of plasma concentration and receptor occupancy and based on sparse PK measurements. Results The average (standard deviation) response times of the tools were 2.8 (3.1) and 5.3 (4.3) seconds for olanzapine and risperidone, respectively. The mean error (95% confidence interval) and root mean squared error (RMSE, 95% CI) of predicted versus observed concentrations were 3.73 ng/mL (-2.42 – 9.87) and 10.816 (6.71 – 14.93) for olanzapine, and 0.46 ng/mL (-4.56 – 5.47) and 6.68 (3.57 – 9.78) for risperidone and its active metabolite (9-OH risperidone). Mean error and RMSE of RO were -1.47% (-4.65 – 1.69) and 5.80 (3.89 – 7.72) for olanzapine and -0.91% (-7.68 – 5.85) and 8.87 (4.56 – 13.17) for risperidone. Conclusion Treatment of schizophrenia with antipsychotics offers unique challenges and requires careful monitoring to establish the optimal dosing regimen. Our monitoring software predicts RO in a reliable and accurate form.
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 | 0,021 | 0,479 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».