LITHUANIAN UNIVERSITY OF HEALTH SCIENCES LUHS LIBRARY REPOSITORY

Bajeso tikimybių teorijos modelio taikymas vertinant imunosupresantų farmakokinetiką: inkstų recipientų tyrimas

Show simple item record

dc.contributor.author Radzevičienė, Aurelija
dc.date.accessioned 2018-11-06T12:06:26Z
dc.date.available 2018-11-06T12:06:26Z
dc.date.issued 2018
dc.identifier.uri http://repository.lsmuni.lt/handle/1/60446
dc.description.abstract Bajeso tikimybių teorijos modelis yra laikomas perspektyviu tiek atliekant genų atranką vėžiui klasifikuoti, tiek kartografuojant ligas, nustatant ligos pažeidimo vietą arba analizuojant aplinkos įtaką genetikai. Palyginti su kitais populiacinės kinetikos modeliais, naudojant šį modelį reikia surinkti daug mažiau kraujo mėginių bei galima sujungti apriorinę informaciją ir turimus nagrinėjamo objekto stebėjimo statistinius duomenis. Tikėtina, kad Bajeso tikimybių teorijos modelis galėtų būti perspektyvus parenkant individualią vaisto dozę, kad gydymas imunosupresantais būtų veiksmingesnis ir padėtų išvengti nepageidaujamų reakcijų. Atliktame tyrime imunosupresantų farmakokinetikai vertinti taikytas modelis „Bayesian“, o ne tradicinis mažiausios vaisto koncentracijos plazmoje prieš paskesnę vaisto dozę (C0) metodas. Pasirinktas analitinis metodas – efektyvioji skysčių chromatografija (HPLC) – o ne imunofermentinė analizė, daug jautresnis ir analitiškai specifiškesnis metodas. Norint nustatyti ciklosporino terapinę platumą metodu „Bayesian“ apskaičiuotai AUC (AUC – ploto po koncentracijos–laiko kreive) ekspozicijai, metodas „Bayesian“ pirmą kartą taikomas kartu su Čebyševo nelygybės statistiniu metodu. Darbo tikslas: įrodyti, kad pacientams po inkstų transplantacijos Bajeso tikimybių teorijos modelis AUC apskaičiuoti yra tinkamas metodas pagrindiniams imunosupresantų farmakokinetiniams rodikliams vertinti ir tikslesnis negu kiti šiuo metu taikomi metodai: C0, C2.
dc.description.abstract Personalized medicine strives to deliver the 'right drug at the right dose' by considering inter-person variability, one of the causes for therapeutic failure in specialized populations of patients. The administration and consumption of immunosuppressant’s is one of the sensitive areas where the dosage of medicines is based on a very narrow therapeutic range of drugs, high pharmacokinetic and pharmacodynamic variability among individuals, and the human pharmacogenetic model which has a significant effect on the drug concentration in the blood. This is why individualized pharmacotherapy should be superior these days to the inclusion of a large number of new data sources and dimensions. Calculations of immunosuppressants‘levels were based on the mean area under the concentration-time curve (AUC (0-12)) versus traditionally used C0. The AUC(0-12) was estimated using a Bayesian estimator and a 3-point limited sampling strategy. Immunosuppressant’s analyses were performed by using a HPLC method. The therapeutic window of cyclosporine for AUC(0-12) exposure was calculated by the Chebyshev's inequality method for the first time. The main objective of this study was to prove that the Bayesian probability model for calculating the area under the concentration time curve is suitable method for evaluation of immunosuppressants’ main pharmacokinetic parameters in kidney recipients and is more appropriate model than other currently used methods (C0, C2).
dc.language.iso lit
dc.subject Imunosupresantai
dc.subject Bajeso modelis
dc.subject Inkstų recipientai
dc.subject Farmakokinetika
dc.subject Immunosuppressants
dc.subject Bayesian model
dc.subject Kidney recipients
dc.subject Pharmacokinetics
dc.title Bajeso tikimybių teorijos modelio taikymas vertinant imunosupresantų farmakokinetiką: inkstų recipientų tyrimas
dc.title.alternative Assessment of Bayesian probability theory model in use of evaluating immunosuppressants pharmacokinetics: study of renal transplant recipients
dc.type Daktaro disertacija


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search repository


Browse

My Account