Pharmacokinetic equations versus Bayesian guided vancomycin monitoring: Pharmacokinetic model and model‐informed precision dosing trial simulations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The recently released revised vancomycin consensus guideline endorsed area under the concentration-time curve (AUC) guided monitoring. Means to AUC-guided monitoring include pharmacokinetic (PK) equations and Bayesian software programs, with the latter approach being preferable. We aimed to evaluate the predictive performance of these two methods when monitoring using troughs or peaks and troughs at varying single or mixed dosing intervals (DIs), and evaluate the significance of satisfying underlying assumptions of steady-state and model transferability. Methods included developing a vancomycin population PK model and conducting model-informed precision dosing clinical trial simulations. A one-compartment PK model with linear elimination, exponential between-subject variability, and mixed (additive and proportional) residual error model resulted in the best model fit. Conducted simulations demonstrated that Bayesian-guided AUC can, potentially, outperform that of equation-based AUC predictions depending on the quality of model diagnostics and met assumptions. Ideally, Bayesian-guided AUC predictive performance using a trough from the first DI was equivalent to that of PK equations using two measurements (peak and trough) from the fifth DI. Model transferability diagnostics can guide the selection of Bayesian priors but are not strong indicators of predictive performance. Mixed versus single fourth and/or fifth DI sampling seems indifferent. This study illustrated cases associated with the most reliable AUC predictions and showed that only proper Bayesian-guided monitoring is always faster and more reliable than equations-guided monitoring in pre-steady-state DIs in the absence of a loading dose. This supports rapid Bayesian monitoring using data as sparse and early as a trough at the first DI.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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) | 0,000 | 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 découle