La pharmacothérapie en fonction des gènes chez les enfants et les adolescents qui prennent des médicaments psychoactifs
Bibliographic record
Abstract
Résumé Les médicaments psychoactifs sont de plus en plus utilisés pour traiter les enfants et les adolescents ayant des troubles de santé mentale, mais la variabilité des réponses individuelles fait ressortir l’importance d’une médecine personnalisée. Les tests pharmacogénétiques sont un volet important d’un tel type de médecine. Le nombre d’entreprises de tests pharmacogénétiques commerciaux qui font la promotion de tests de ce genre et promettent un traitement efficace et individualisé des troubles de santé mentale se multiplie depuis quelques années. Les preuves scientifiques en appui à l’utilisation de la pharmacogénétique sont limitées, particulièrement dans les populations pédiatriques. Le présent point de pratique souligne les étapes qui orientent le recours à ces tests pour la prise de médicaments psychoactifs en milieu clinique et présente des ressources de soutien importantes. Il existe des directives cliniques sur les variants des pharmacogènes qui encodent les enzymes de métabolisation du cytochrome P450 (p. ex., CYP2C19, CYP2D6, CYP2C9), lesquels sont l’un des déterminants des concentrations pharmacologiques dans le sang et peuvent appuyer à la fois le choix du médicament et la stratégie posologique de certains antipsychotiques, antidépresseurs et antiépileptiques. Les effets indésirables de certains médicaments antiépileptiques (p. ex., la carbamazépine et la phénytoïne) sont associés à certains types d’antigènes d’histocompatibilité humaine et à des variants de l’ADN polymérase gamma (POLG; acide valproïque). Les données probantes sont limitées à l’égard des variants génétiques des protéines qui ciblent les médicaments, et c’est pourquoi il est difficile de déterminer quels patients présenteraient une réponse altérée au traitement à une concentration sanguine thérapeutique.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".