MétaCan
Menu
Retour à la cohorte
Enregistrement W7117141376 · doi:10.1111/cts.70458

Tutorial Drug–Drug Interactions

2025· article· en· W7117141376 sur OpenAlexaff
Edward M. Sellers

Notice bibliographique

RevueClinical and Translational Science · 2025
Typearticle
Langueen
DomainePharmacology, Toxicology and Pharmaceutics
ThématiquePharmacogenetics and Drug Metabolism
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésPharmacodynamicsPopulationCategorical variableDrugVariation (astronomy)Drug developmentSocioeconomic status

Résumé

récupéré en direct d'OpenAlex

A recent article offers a useful summary of steps to consider concerning drug–drug interactions during drug development [1]. However, the article focused mainly on anticipating pharmacokinetic and drug metabolism-based interactions. The more important issue is that while in some cases such changes can anticipate potentially clinically important interactions, for example, with drugs acting directly on peripheral cardiovascular receptors or having a small volume of distribution, for many classes of drugs such studies cannot usefully predict clinically important interactions in individual patients [2, 3]. The reasons are mainly because of the large variation among patients in the extent of kinetic and metabolism changes combined with much larger variation in pharmacodynamic and therapeutic effects. Preoccupation with kinetic and metabolic-based interactions mechanisms has occurred because these are more easily studied than the more important pharmacodynamic consequences in individual patients. Population (average) changes in kinetics, metabolites and pharmacodynamics are not useful in actual clinical dose adjustment. This shortcoming is compounded by the relative lack of clinical studies in actual conditions and settings of drug use and in neglected study populations including different ancestry groups, low socioeconomic groups and individuals with restricted access to health care services. As a result of being understudied, much clinical use of drugs and management of drug–drug interactions is largely trial and error. Many more “real” world post-marketing studies of drug–drug interactions are needed. As final comment, these authors elect to distinguish the drugs involved in drug–drug interactions as the “perpetrator” and the “victim.” This is a useful categorical and semantic shortcut but belies the complexity of the etiology and complexity of drug–drug interactions where often multiple drugs are administered concurrently in disease states that modify mechanism and consequences. In clinical practice, the perpetrator is often the prescriber and the victim the patient! The author has nothing to report. The author declares no conflicts of interest.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,818
Score d'incertitude au seuil0,551

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,162
Tête enseignante GPT0,552
Écart entre enseignants0,391 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueClinical and Translational ScienceMême sujetPharmacogenetics and Drug MetabolismTravaux en français237 207