Pharmacogenetics in Psychiatry: Precision medicine or ‘mystic, magic, and mysterious’?
Notice bibliographique
Résumé
Prescribers and patients are frequently facing the challenge that treatment standards established at a population level might not be beneficial at the individual level. As a result, lengthy trials are often required before the optimum psychiatric medication treatment, single or in combination, is found. The underlying reasons for this large inter-individual variability treatment outcomes are not fully understood. Important factors that influence drug dose, response and side effects include age, gender, patient compliance, clinical symptoms, co-morbidities, lifestyle, ancestry and genetic factors. In this context, first strategies using pharmacogenetic (PGx) information bear the promise to optimize medication treatment in clinical practice. State-of-the-art summaries of key concepts and strategies of psychiatric PGx need to consider: 1) Reviews of the evidence, clinical utility and studies including randomized clinical trials of distinct gene-drug pairs; 2) Discussion of current expert recommendations (e.g., Clinical Pharmacogenomics Implementation Consortium); 3) How PGx information can be best used in clinical practice, in particular to avoid pseudo-resistance for antidepressants 3) Highlighting ongoing implementation efforts and 5) providing practical support for psychiatrists and pharmacologists. Publication History Article published online: 12 March 2024 © 2024. Thieme. All rights reserved. Georg Thieme Verlag Rüdigerstraße 14, 70469 Stuttgart, Germany
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 | 0,047 | 0,060 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,017 |
| Communication savante | 0,006 | 0,012 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,005 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; 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 ».