Review of drug-drug interactions in patients with prostate cancer
Notice bibliographique
Résumé
OBJECTIVE: The objective of this review is to provide an overview of common drug-drug interactions (DDIs) associated with prostate cancer treatments and outline recommendations for managing polypharmacy. DATA SOURCES: A literature search of PubMed, Embase, and CINAHL was carried out to identify pharmacokinetic and pharmacodynamic changes caused by DDIs that are relevant for prostate cancer patients, DDIs between prostate cancer therapies and co-administered medications (both prescription and over-the-counter), and measures to prevent DDIs. Medication package inserts were used to identify the impact of DDI on the prostate cancer therapy and suggested interventions. DATA SUMMARY: No DDIs are expected for the LHRH agonists leuprolide acetate, histrelin, goserelin, or leuprolide mesylate. However, DDIs have been reported for GnRH antagonists, anti-androgens, PARP inhibitors, and taxanes. Although there are no confirmed DDIs for sipuleucel-T to date, it is not generally recommended to use sipuleucel-T concurrently with immunosuppressive medications. Interventions to prevent DDIs include the use of software that can detect clinically significant DDIs, up-to-date medication reconciliation, the inclusion of dedicated clinical pharmacists in cancer treatment teams, and patient/caregiver education. CONCLUSIONS: Prostate cancer patients have a high risk of potential DDIs due to numerous new anti-cancer therapies, the increased use of treatment combinations, and the likelihood of comorbid conditions also requiring drug therapy. Drug-drug interaction screening software, up-to-date medication reconciliation, inclusion of oncology pharmacists on healthcare teams, and patient/caregiver education will aid the development of treatment plans that focus on achieving an optimal risk-benefit profile whilst reducing the risk of DDIs.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».