<scp>CYP2D6</scp> Phenotype Influences Pharmacokinetic Parameters of Venlafaxine: Results from a Population Pharmacokinetic Model in Older Adults with Depression
Notice bibliographique
Résumé
In this study, we aimed to improve upon a published population pharmacokinetic (PK) model for venlafaxine (VEN) in the treatment of depression in older adults, then investigate whether CYP2D6 metabolizer status affected model-estimated PK parameters of VEN and its active metabolite O-desmethylvenlafaxine. The model included 325 participants from a clinical trial in which older adults with depression were treated with open-label VEN (maximum 300 mg/day) for 12 weeks and plasma levels of VEN and O-desmethylvenlafaxine were assessed at weeks 4 and 12. We fitted a nonlinear mixed-effect PK model using NONMEM to estimate PK parameters for VEN and O-desmethylvenlafaxine adjusted for CYP2D6 metabolizer status and age. At both lower doses (up to 150 mg/day) and higher doses (up to 300 mg/day), CYP2D6 metabolizers impacted PK model-estimated VEN clearance, VEN exposure, and active moiety (VEN + O-desmethylvenlafaxine) exposure. Specifically, compared with CYP2D6 normal metabolizers, (i) CYP2D6 ultra-rapid metabolizers had higher VEN clearance; (ii) CYP2D6 intermediate metabolizers had lower VEN clearance; (iii) CYP2D6 poor metabolizers had lower VEN clearance, higher VEN exposure, and higher active moiety exposure. Overall, our study showed that including a pharmacogenetic factor in a population PK model could increase model fit, and this improved model demonstrated how CYP2D6 metabolizer status affected VEN-related PK parameters, highlighting the importance of genetic factors in personalized medicine.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».