Sex and Age Differences in Geriatric Pharmacotherapy
Notice bibliographique
Résumé
Older men and women are major users of therapeutic drugs.Indeed, modern medicine, including use of therapeutic drugs, has made a major contribution to the aging of our population.There are sex differences in how the body handles a drug (pharmacokinetics) and in how a drug affects the body (pharmacodynamics).These result in sex differences in the effectiveness and safety of drugs.Sex differences are one of many causes of variability in drug response.When predicting drug effects in older adults, sex (biological) must be considered along with gender (sociocultural), age, genetics, disease, other drugs, and sociodemographic factors (Fujita et al., 2023).It is particularly important to consider the intersection between sex and age effects.Until recently, there has been very little consideration of the impact of sex differences in research on drugs for older adults.Most preclinical research was performed in cell cultures without considering sex and in male animal models.Clinical research has disproportionately recruited males over females.Consequently, there are limited data on sex differences.Furthermore, there are limited data from older animals and participants in clinical trials are, on average, much younger than real-life users of drugs.There is a need for better data on the impact of sex and age and their intersections on drug effects.Careful evaluation and consideration of sex differences throughout the drug development and use cycle will improve outcomes of therapeutic drugs for older adults.
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 | 0,014 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 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 ».