From reactive to predictive: Advancing biologic dosing in dermatology
Notice bibliographique
Résumé
Biologic therapies are targeted immunomodulators that have revolutionised the treatment of chronic inflammatory dermatoses, including psoriasis, hidradenitis suppurativa and atopic dermatitis, offering high efficacy and safety for moderate-to-severe disease. However, standardised dosing regimens fail to account for inter-individual heterogeneity, leading to non-optimal drug exposure in certain patients. This may, in part, explain why primary non-response, secondary loss of response or adverse effects are observed in real-world practice. While empirical off-label adjustments are commonly employed, data-driven dosing optimisation may enable better disease control and reduce the burden of lifelong biologic treatment by avoiding excessive dosing. Therapeutic drug monitoring (TDM) involves adjusting doses based on serum drug concentrations to maintain therapeutic ranges, relying on established dose-exposure-response correlations. Although TDM provides reactive or proactive optimisation approaches, its threshold-based adjustments are limited by an inability to predict individual pharmacokinetic variability or future clinical outcomes. Model-informed precision dosing (MIPD) represents an evolution beyond conventional TDM by integrating population pharmacokinetic-pharmacodynamic models, patient-specific characteristics and Bayesian forecasting to deliver personalised, adaptive dosing recommendations. This approach captures inter-individual variability while linking serum drug concentrations to clinical response, enabling proactive dose adjustments using sparse or non-steady-state data. Emerging digital tools, point-of-care testing and integration of pharmacogenomics and biomarker profiling are expected to enhance MIPD's precision and accessibility. Once implemented in routine care, MIPD has the potential to transform biologic therapy dosing using a dynamic, patient-centric system that maximises clinical response, minimises overtreatment and supports sustainable healthcare delivery.
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 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
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 ».