Delineating gene–environment effects using virtual twins of patients treated with clozapine
Notice bibliographique
Résumé
Abstract Studies that focus on individual covariates, while ignoring their interactions, may not be adequate for model‐informed precision dosing (MIPD) in any given patient. Genetic variations that influence protein synthesis should be studied in conjunction with environmental covariates, such as cigarette smoking. The aim of this study was to build virtual twins (VTs) of real patients receiving clozapine with interacting covariates related to genetics and environment and to delineate the impact of interacting covariates on predicted clozapine plasma concentrations. Clozapine‐treated patients with schizophrenia (N = 42) with observed clozapine plasma concentrations, demographic, environmental, and genotype data were used to construct VTs in Simcyp. The effect of increased covariate virtualization was assessed by performing simulations under three conditions: “low” (demographic), “medium” (demographic and environmental interaction), and “high” (demographic and environmental/genotype interaction) covariate virtualization. Increasing covariate virtualization with interaction improved the coefficient of variation (R2) from 0.07 in the low model to 0.391 and 0.368 in the medium and high models, respectively. Whereas R2 was similar between the medium and high models, the high covariate virtualization model had improved accuracy, with systematic bias of predicted clozapine plasma concentration improving from −138.48 ng/ml to −74.65 ng/ml. A high level of covariate virtualization (demographic, environmental, and genotype) may be required for MIPD using VTs.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».