Pharmacogenomics in primary care: a quality improvement project at Alconbury and Brampton surgeries 2019–2023
Notice bibliographique
Résumé
BACKGROUND: Treatment of depression is common in primary care but not every antidepressant is effective in every patient. Adverse drug reactions are common, imposing a substantial burden on the patient and the NHS. Pharmacogenomics (PGx) utilises an individual's genetic makeup to predict their response to medications. By tailoring prescriptions to a person's genetic profile, PGx can significantly reduce adverse drug reactions, identify non-responders to medications, and enhance overall patient outcomes. AIM: To see if PGx testing for antidepressants can be undertaken in general practice as part of 'usual care'; to increase GP and patient awareness of PGx testing; to alter patient treatment according to the results of testing; and to sustain these changes at 4 years. METHOD: In 2019, 23 patients were recruited by GPs at the surgery. They consented and had cheek swabs to check their genetic profile to common antidepressants. Results were reviewed at 1 week by the GP and patient, treatment changes made and reviewed again at 4 years. RESULTS: On the CYP2D pathway, 19/23 patients were extensive (normal) metabolisers, one intermediate and two poor. These two had their treatments changed. At 4-year review 19/23 were on appropriate treatment (two had been stopped) but two had inappropriate drug treatment. On CYP2C19 pathway, 10/23 were normal metabolisers, eight intermediate, zero poor but five ultrarapid (they had their treatment changed). At 4-year review, 20/23 were on appropriate treatment (two stopped) and one inappropriate. CONCLUSION: PGx testing works in primary care, improving patient outcomes sustainably.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».