Advancing paroxetine treatment in depression: predicting remission and plasma concentration, and validating and updating therapeutic reference ranges
Notice bibliographique
Résumé
Optimizing paroxetine therapy for major depressive disorder (MDD) requires effective prediction models for treatment efficacy and therapeutic drug monitoring (TDM). This study aimed to develop prediction models for treatment remission and steady-state concentration (Css) of paroxetine, elucidate the role of CYP2D6 activity score (AS) in predicting Css, establish associations between adverse drug reactions (ADRs) and Css, and validate and update the therapeutic reference range (TRR) for patients with MDD in the Han Chinese population. We conducted a post-hoc analysis of an 8-week multicenter prospective cohort study involving 530 Han Chinese patients with MDD. Logistic regression models were developed to predict treatment remission at the eighth week and Css as a binary variable (within/outside TRR of 20-65 ng/ml). The model for predicting treatment remission demonstrated an AUC of 0.707, while the model for Css achieved an AUC of 0.615. Associations between ADRs and Css were assessed using logistic regression, adjusted for sex and age. Patients with Css within 20-65 ng/ml were more likely to achieve remission (OR = 1.655, 95% CI: 1.109-2.489) and less likely to experience ADRs (OR = 0.460, 95% CI: 0.203-0.961). Additionally, those with lower AS were more likely to maintain Css within this range (OR = 0.638, 95% CI: 0.461-0.878). ROC analysis further established an updated TRR of 20.8-52.5 ng/ml considering both treatment remission and ADRs. Our findings enhance paroxetine treatment and monitoring, underscoring the potential of CYP2D6 AS and Css as predictors for Css and treatment remission, respectively.
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 | 0,008 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».