The emergence, implementation, and future growth of pharmacogenomics in psychiatry: a narrative review
Notice bibliographique
Résumé
Psychotropic medication efficacy and tolerability are critical treatment issues faced by individuals with psychiatric disorders and their healthcare providers. For some people, it can take months to years of a trial-and-error process to identify a medication with the ideal efficacy and tolerability profile. Current strategies (e.g. clinical practice guidelines, treatment algorithms) for addressing this issue can be useful at the population level, but often fall short at the individual level. This is, in part, attributed to interindividual variation in genes that are involved in pharmacokinetic (i.e. absorption, distribution, metabolism, elimination) and pharmacodynamic (e.g. receptors, signaling pathways) processes that in large part, determine whether a medication will be efficacious or tolerable. A precision prescribing strategy know as pharmacogenomics (PGx) assesses these genomic variations, and uses it to inform selection and dosing of certain psychotropic medications. In this review, we describe the path that led to the emergence of PGx in psychiatry, the current evidence base and implementation status of PGx in the psychiatric clinic, and finally, the future growth potential of precision psychiatry via the convergence of the PGx-guided strategy with emerging technologies and approaches (i.e. pharmacoepigenomics, pharmacomicrobiomics, pharmacotranscriptomics, pharmacoproteomics, pharmacometabolomics) to personalize treatment of psychiatric disorders.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 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 ».