Pharmacokinetic model‐guided enoxaparin dosing in the Neonatal ICU: Retrospective cohort study to plan for prospective feasibility trial
Notice bibliographique
Résumé
Traditional milligram per kilogram (mg/kg) dosing of enoxaparin in neonates frequently fails to achieve target anti-Xa levels promptly, necessitating repeated laboratory monitoring and dose adjustments. This study investigated whether a personalized dosing strategy based on predicted individual clearance and volume of distribution could improve outcomes, comparing standard-of-care (SOC) mg/kg dosing to pharmacokinetic (PK) model-informed precision dosing (MIPD). A retrospective analysis was conducted on hospitalized neonates treated with enoxaparin at less than 44 weeks postmenstrual age from 2019 to 2022. Data on demographics, drug dosing, PK model covariates, and clinical outcomes were extracted from electronic health records and analyzed using the Pumas-AI Lyv dosing tool. The primary focus was on comparing the initial SOC dose to the MIPD-recommended dose. The secondary outcome measured was the time required to achieve therapeutic anti-Xa levels. The study included 168 neonates with a median postnatal age of 15 days (range 1-149) and a median dosing weight of 3.1 kg (range: 0.82-5.2). MIPD-recommended initial doses were 20%-60% higher than SOC doses in 32% of the cases and over 60% higher in 11% of cases. Neonates who received SOC doses that were much lower than the MIPD recommendation showed the longest delays in reaching therapeutic anti-Xa levels. The results indicate that PK model-informed of enoxaparin dosing leads to higher initial dosages than SOC in neonates, potentially reducing the time to therapeutic anti-Xa levels. These findings are being utilized to define dosing limits for a prospective trial of MIPD in neonatal intensive care settings.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».