Improving prescribing: a feasibility study of pharmacogenetic testing with clinical decision support in primary healthcare in Singapore
Notice bibliographique
Résumé
BACKGROUND: The study of genetic variation as a factor influencing drug safety, efficacy, and effectiveness has brought about significant breakthroughs in understanding the clinical application of gene-drug interactions to better manage drug therapy. OBJECTIVE: This study was designed to assess the feasibility of collecting buccal samples by general practitioners (GPs) at private practices in Singapore within a usual consultation, incorporating use of a pharmacogenetics-based medical decision support system to guide subsequent drug dosing. METHODS: We used a prospective cohort study design, with GPs recruiting 189 patients between October 2020 and March 2021. The genotypes of 51 biallelic SNPs were determined using Illumina Infinium Global Screening Array. RESULTS: Seven GPs from 6 private practices recruited and obtained buccal samples from a total of 189 patients. All patients had at least one actionable variant. The prevalence of patients having 2, 3, or 4 variants was 37.0%, 32.8%, and 12.7%, respectively. Potential alterations to medications were identified using the Clinical Decision Support System. Patients were accepting and the GPs were enthusiastic about the potential of pharmacogenetics to personalize medicine for their patients. CONCLUSION: This is the first study in Singapore to demonstrate the feasibility of pharmacogenetic testing in primary care. The high prevalence of genetic variants underscores the potential use of pharmacogenetics in this setting.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».