Drug Repurposing in Personalized Medicine: Translational Pathways and Recommendations
Notice bibliographique
Résumé
This review examines the integration of drug repurposing and personalized medicine as complementary approaches to transforming healthcare delivery. Drug repurposing identifies new therapeutic uses for existing medications with established safety profiles, while personalized medicine tailors treatments to individual patient characteristics. This integration offers reduced development time and costs, expanded options for rare and complex diseases, and targeted interventions based on patient-specific biomarkers. The manuscript explores translational pathways, including drug-centric, target-centric, and disease-centric approaches, as well as emerging computational and AI methodologies. Case studies in neurological disorders, oncology, and seizure disorders demonstrate successful applications. Despite promising outcomes, challenges persist across regulatory frameworks, intellectual property protection, data integration, and the management of biological variability among patients. Recommendations include strengthening regulatory support, developing robust validation pipelines, promoting open-source, collaborative models, and leveraging AI and big data technologies. Through coordinated stakeholder efforts, drug repurposing in personalized medicine can become a cornerstone of precision healthcare, providing more effective, patient-tailored treatments.
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 | 0,032 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,008 | 0,014 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,010 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,006 |
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 ».