Antidopaminergic medications in Huntington's disease
Notice bibliographique
Résumé
Huntington's disease (HD) is a progressive neurodegenerative disorder marked by motor, cognitive, and behavioral impairments. Antidopaminergic medications (ADMs), such as VMAT2 inhibitors and antipsychotics, are commonly used to manage HD motor disturbances and behavioral disorders. For patients and caregivers, ADMs are an important tool for managing symptoms that negatively affect daily life. However, the impact of ADM use in HD is not firmly understood due to a lack of robust, systematic studies that assessed their overall effect on HD disease. A mounting body of evidence suggests these medications may be associated with worse clinical measures of cognitive function and functional impairment. While regulatory guidelines highlight adverse effects like sedation, cognitive dysfunction, and extrapyramidal symptoms, it is unclear whether ADMs directly impact disease progression or if the side effects mimic or exacerbate measures of HD symptoms in clinical trials. Given ADM effects on the central nervous system and biological uncertainty within HD outcomes, clinical trial designs should recognize the impact of ADMs on key outcomes, as measured by acceptable scales including Total Functional Capacity, Stoop Word Reading, Symbol Digit Modality Test, and the composite Unified Huntington's Disease Rating Scale. The development of novel HD interventions requires consideration of concomitant ADM use that may influence measures of disease presentation. In this review, we highlight the role of ADMs in HD management, their symptomatic benefits and potential risks, especially with high dose associated side effects, interactions with CYP2D6 inhibitors, and the individualized need for careful dose monitoring for clinical care and trial design.
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 | 0,001 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 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 ».