Critical assessment of the revised guidelines for vancomycin therapeutic drug monitoring
Notice bibliographique
Résumé
BACKGROUND: . Yet, evidence suggesting good AUC-trough correlation has been overlooked, and the optimality of peak/trough samples has been doubted. The guidelines recommend Bayesian programs implement richly-sampled PopPK priors despite their scarcity. Therefore, whether complex Bayesian and sample-demanding first-order equations can bring significant advantages to the practice over simple trough-only monitoring is worth weighing. OBJECTIVES: The primary aim is to compare the predictive performance of the AUC monitoring methods. Then, we investigate the impact of not adhering to trough sampling on the Bayesian-based predictions. Moreover, we report the nature of PopPK priors used in Bayesian programs to assess the applicability of the guideline recommendations. METHODS: We calculated the predictive performance of the monitoring methods using a standard PopPK modeling and simulation approach. We thoroughly explored the prior PK models implemented in Bayesian programs. RESULTS: Predictive performances of the monitoring methods were comparable at steady-state relative to the number of samples. Contrary to the recommendation, Bayesian trough monitoring did not result in better predictive performances compared to using random levels. Very few programs implemented richly-sampled priors. CONCLUSION: All the monitoring methods can be, relatively, reliable at steady-state, if properly implemented. Although only Bayesian-based monitoring can be used pre-steady-state, its predictive performance can be modest. Trough-only monitoring is the simplest approach. Constraints regarding trough sampling times could be relaxed. The scarcity of richly-sampled Bayesian priors questions the applicability of the revised guidelines recommendation.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».