Maximum likelihood estimation of renal transporter ontogeny profiles for pediatric PBPK modeling
Notice bibliographique
Résumé
Optimal treatment of infants with many renally cleared drugs must account for maturational differences in renal transporter (RT) activity. Pediatric physiologically-based pharmacokinetic (PBPK) models may incorporate RT activity, but this requires ontogeny profiles for RT activity in children, especially neonates, to predict drug disposition. Therefore, RT expression measurements from human kidney postmortem cortical tissue samples were normalized to represent a fraction of mature RT activity. Using these data, maximum likelihood estimated the distributions of RT activity across the pediatric age spectrum, including preterm and term neonates. PBPK models of four RT substrates (acyclovir, ciprofloxacin, furosemide, and meropenem) were evaluated with and without ontogeny profiles using average fold error (AFE), absolute average fold error (AAFE), and proportion of observations within the 5-95% prediction interval. Novel maximum likelihood profiles estimated ontogeny distributions for the following RT: OAT1, OAT3, OCT2, P-gp, URAT1, BCRP, MATE1, MRP2, MRP4, and MATE-2 K. Profiles for OAT3, P-gp, and MATE1 improved infant furosemide and neonate meropenem PBPK model AFE from 0.08 to 0.70 and 0.53 to 1.34 and model AAFE from 12.08 to 1.44 and 2.09 to 1.36, respectively, and improved the percent of data within the 5-95% prediction interval from 48% to 98% for neonatal ciprofloxacin simulations, respectively. Even after accounting for other critical population-specific maturational differences, novel RT ontogeny profiles substantially improved neonatal PBPK model performance, providing validated estimates of maturational differences in RT activity for optimal dosing in children.
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 | 0,002 | 0,004 |
| 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 ».