Visualizing classification of drugs used in psychotic disorders: A ‘subway map’ representing mechanisms, established classes and informal categories
Notice bibliographique
Résumé
Drugs used to treat psychotic disorders ('antipsychotics') have been widely used in psychiatry since the introduction of chlorpromazine in the mid-1950s. The categorization of these drugs evolved in a piecemeal way, relying initially on grouping by chemical structure (e.g. phenothiazines, butyrophenones), then by epoch of introduction (e.g. first generation ('conventional') vs second generation ('atypical')). As psychopharmacological expertise has advanced, it has become possible to quantify affinities for each drug in this class for relevant receptors including dopamine D2, 5HT2A, 5HT2C, histamine H1 and others. However, until the recent emergence of a new generation of agents known collectively as dopamine D2 receptor partial agonists (e.g. aripiprazole, brexpiprazole and cariprazine), there had been little reference in drug classification to specific pharmacological properties. An overview of data on receptor affinities across multiple drugs and receptor types would permit categorization according to binding affinities and putative pharmacological mechanisms. In this paper, we have attempted to construct a 'subway map' of 32 drugs used for treatment of psychotic disorders. This design allows a visualization of both the historical classifications by structure and epoch of introduction, and of the binding affinities for key receptors based on appraisal of scientific literature. The map represents a step towards categorization by mechanism, allowing prescribers and patients to understand which drugs share common biological features and the extent to which drugs may have similarities and differences in their mechanisms. In addition, this approach may encourage more logical groupings of drugs to be used in systematic reviews and meta-analyses.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 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 ».