Pharmacogenetics to Avoid Adverse Reactions in Cardiology: Ready for Implementation?
Notice bibliographique
Résumé
Cardiovascular Diseases (CVs) are one of the main causes of mortality and disability around the world. Advances in drug treatment have greatly improved survival and quality of life in the past decades, but associated adverse events remain a relevant problem. Pharmacogenetics can help individualize cardiovascular treatment, reducing associated toxicities and improving outcomes. Several scientific societies and working groups periodically review available studies and provide consensus recommendations for those gene-drug pairs with a sufficient level of evidence. However, these recommendations are rarely mandatory, and the indications on how to adjust treatment can vary between different guidelines, which limits their clinical applicability. The aim of this review is to compile, compare and discuss available guidelines and recommendations by the main Pharmacogenetics Consortiums (Clinical Pharmacogenetics Implementation Consortium (CPIC); Dutch Pharmacogenetics Working Group (DPWG); the French Network of Pharmacogenetics (Réseau national de pharmacogénétique (RNPGx) and The Canadian Pharmacogenomics Network for Drug Safety (CPNDS) regarding how to apply pharmacogenetic results to optimize pharmacotherapy in cardiology. Pharmacogenetic recommendations included in European or American drug labels, as well as those included in the European Society of Cardiology (ESC) and the American College of Cardiology (ACC) and the American Heart Association (AHA) treatment guidelines are also discussed.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 | 0,002 |
| 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 ».