Roadmap to 2030 for Drug Evaluation in Older Adults
Notice bibliographique
Résumé
Changes that accompany older age can alter the pharmacokinetics (PK), pharmacodynamics (PD), and likelihood of adverse effects (AEs) of a drug. However, older adults, especially the oldest or those with multiple chronic health conditions, polypharmacy, or frailty, are often under-represented in clinical trials of new drugs. Deficits in the current conduct of clinical evaluation of drugs for older adults and potential steps to fill those knowledge gaps are presented in this communication. The most important step is to increase clinical trial enrollment of older adults who are representative of the target treatment population. Unnecessary eligibility criteria should be eliminated. Physical and financial barriers to participation should be removed. Incentives could be created for inclusion of older adults. Enrollment goals should be established based on intended treatment indications, prevalence of the condition, and feasibility. Relevant clinical pharmacology data need to be obtained early enough to guide dosing and reduce risk for participation of older adults. Relevant PK and PD data as well as patient-centered outcomes should be measured during trials. Trial data should be analyzed for differences in PK, PD, effectiveness, and safety arising from differences in age or from the presence of conditions common in older adults. Postmarket evaluations with real-world evidence and drug labeling updates throughout the product lifecycle reflecting new knowledge are also needed. A comprehensive plan is needed to ensure adequate evaluation of the safety and effectiveness of drugs in older adults.
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 | 0,023 | 0,001 |
| 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) | 0,001 | 0,001 |
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 ».