Optimisation of pharmacotherapy in psychiatry through therapeutic drug monitoring, molecular brain imaging and pharmacogenetic tests: Focus on antipsychotics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,004 |
| 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 découle