Pharmacogenomics Tools for Precision Public Health and Lessons for Low- and Middle-Income Countries: A Scoping Review
Notice bibliographique
Résumé
Pharmacogenomics is the integration of genomics and pharmacology to optimize drug response and reduce side effects. In terms of personalized or individualized medicine, PGx is defined as the identification and analysis of specific genetic variants associated with particular drug treatments for each patient. Under a precision public health (PPH) approach, population-level data are analyzed to generate public health strategies. The objective of this study was to conduct a scoping review of technological tools, examining their evolution, the predominance of high-income countries in their development, and the gaps and needs for genomic data and advances in low- and middle-income countries (LMICs). This review was conducted in accordance with the ScPRISMA guidelines. A search was conducted in PubMed, Web of Science and Embase until January 2024. A total of 40 documents were selected, which revealed the continuous evolution and progressive development of pharmacogenomic tools. The technological tools developed come from high-income countries, particularly the United States, Canada, China, and several European nations, where international collaboration has been essential to maintain and expand these tools, which have evolved to keep pace with the rapid generation of genomic data. This trend shows a scarce development of technological tools for public health precision in LMICs, which evidences the need to increase investment in genomic research infrastructure in this aspect and in the development of capacities to guarantee global accessibility and boost PPH for all populations.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».