Early model-based precision-dosing at home to guide adalimumab therapy
Notice bibliographique
Résumé
1. Aims Underdosing of adalimumab can result in non-response and poor disease control. In this study we investigated the prediction of adalimumab levels with population pharmacokinetic model-based Bayesian forecasting early in therapy. This way underexposed non-responders can possibly be identified early to optimise disease control. 2. Methods A literature study was performed to identify adalimumab pharmacokinetic models. With data from a previous pharmacokinetic adalimumab study a model was evaluated retrospectively. In the prospective phase, a fit-for-purpose evaluation of the model was performed for rheumatologic and inflammatory bowel disease patients with peak, trough and control adalimumab samples obtained by a volumetric absorptive microsampling technique and administration data from an electronic needle container. Steady state adalimumab levels were predicted from peak and trough levels collected after the first adalimumab administration. Predictive performance was calculated with mean prediction error (MPE) and normalized root mean square error (RMSE). 3. Results An existing pharmacokinetic model was selected with external validation for the prospective phase. Thirty-six patients (22 rheumatologic and 14 IBD) were included in our study. After stratification for absence of anti-adalimumab antibodies, the calculated MPE was -2.6% and normalised RMSE 24.0%. Concordance between predicted and measured adalimumab serum levels falling within or outside the therapeutic window was 75%. Three patients (8.3%) developed detectable levels of anti-adalimumab antibodies. 4. Conclusion This prospective study demonstrates that adalimumab levels at steady state can be predicted from early samples. This concept enables early precision dosing at home to guide therapy.
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) | 0,001 | 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 | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».