Optimisation of pharmacotherapy in psychiatry through therapeutic drug monitoring, molecular brain imaging and pharmacogenetic tests: Focus on antipsychotics
Notice bibliographique
Résumé
BACKGROUND: For psychotic disorders (i.e. schizophrenia), pharmacotherapy plays a key role in controlling acute and long-term symptoms. To find the optimal individual dose and dosage strategy, specialised tools are used. Three tools have been proven useful to personalise drug treatments: therapeutic drug monitoring (TDM) of drug levels, pharmacogenetic testing (PG), and molecular neuroimaging. METHODS: In these Guidelines, we provide an in-depth review of pharmacokinetics, pharmacodynamics, and pharmacogenetics for 45 antipsychotics. Over 30 international experts in psychiatry selected studies that have measured drug concentrations in the blood (TDM), gene polymorphisms of enzymes involved in drug metabolism, or receptor/transporter occupancies in the brain (positron emission tomography (PET)). RESULTS: Study results strongly support the use of TDM and the cytochrome P450 (CYP) genotyping and/or phenotyping to guide drug therapies. Evidence-based target ranges are available for titrating drug doses that are often supported by PET findings. CONCLUSION: All three tools discussed in these Guidelines are essential for drug treatment. TDM goes well beyond typical indications such as unclear compliance and polypharmacy. Despite its enormous potential to optimise treatment effects, minimise side effects and ultimately reduce the global burden of diseases, personalised drug treatment has not yet become the standard of care in psychiatry.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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; 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 ».