Publikacje

2020
Narodowy Fundusz Zdrowia, Warszawa, luty 2020NFZ o zdrowiu. PolipragmazjaNarodowy Fundusz Zdrowia, Warszawa, luty 2020Raport

Skala polipragmazji w Polsce na podstawie danych NFZ o zrealizowanych receptach z lat 2017–2019. W 2018 r. regularne przyjmowanie co najmniej 5 substancji w co najmniej jednym miesiącu dotyczyło 1,6 mln osób w wieku 65 lat lub więcej. W raporcie Konrad Tuszyński współprzygotował listę istotnych klinicznie interakcji i niewłaściwych połączeń leków.1

Pobierz raport (PDF)

  1. Narodowy Fundusz Zdrowia. NFZ o zdrowiu. Polipragmazja. Warszawa, luty 2020. ISBN 978-83-944034-7-8. PDF raportu, strona raportu w serwisie ezdrowie.gov.pl ↩
Okładka raportu
Pacjenci z interakcją SSRI lub SNRI z NLPZ
Pacjenci 65+ przyjmujący 10 lub więcej substancji
2015
BioMed Research InternationalDevelopment of in vitro-in vivo correlation/relationship modeling approaches for immediate release formulations using compartmental dynamic dissolution data from “Golem”: a novel apparatusBioMed Research InternationalPraca oryginalna

Konwencjonalny model oparty na dekonwolucji nie dał zadowalającej korelacji, a obiecujące wyniki przyniosło podejście wykorzystujące dane z poszczególnych przedziałów aparatu. Badano serie atorwastatyny o dwóch projektach formulacji o natychmiastowym uwalnianiu, w nowym aparacie Golem, który odtwarza warunki w żołądku i jelicie cienkim. Rozpuszczanie silnie zależało od pH.1

  1. M Čulen, PK Tuszyński, S Polak, R Jachowicz, A Mendyk, J Dohnal. Development of in vitro-in vivo correlation/relationship modeling approaches for immediate release formulations using compartmental dynamic dissolution data from “Golem”: a novel apparatus. BioMed Research International, 2015. doi:10.1155/2015/328628 ↩
Aparat Golem
Przejście treści przez przedziały aparatu
Wyniki badań biorównoważności
Uwalnianie w poszczególnych przedziałach dla serii 80 i Lipitoru
Wykres IVIVC dla serii badanych w dwóch warunkach
Przewidywane i rzeczywiste profile stężenia
2013
Drug Design, Development and TherapyGeneralized in vitro-in vivo relationship (IVIVR) model based on artificial neural networksDrug Design, Development and TherapyPraca oryginalna

Jeden model sieci neuronowych objął różne substancje czynne i postacie leku, choć klasyczne IVIVC buduje się dla 2–4 formulacji jednej substancji. Zbiór liczył 93 formulacje, liczbę danych wejściowych zmniejszono z 307 do 28, a pełne profile in vivo przewidziano trafnie dla 37,6% formulacji. Model może dać wstępną zależność jeszcze przed badaniami in vivo.1

  1. A Mendyk, PK Tuszyński, S Polak, R Jachowicz. Generalized in vitro-in vivo relationship (IVIVR) model based on artificial neural networks. Drug Design, Development and Therapy, 2013. doi:10.2147/DDDT.S41401 ↩
Ogólna budowa modelu sieci neuronowej
Obliczanie deskryptorów dla hypromelozy
Opis chemoinformatyczny substancji pomocniczych
Analiza wrażliwości dla najważniejszych danych wejściowych
Przykłady przewidywania profilu in vivo
Przewidywanie dla nowego zbioru testowego
2017
Dissolution TechnologiesFrom in vitro-in vivo relationship (IVIVR) towards in vitro-in vivo extrapolation (IVIVE): a case study of pulmonary delivery systemsDissolution TechnologiesStudium przypadku

Błędy predykcji dla 4 formulacji były poniżej 10% w walidacji wewnętrznej i zewnętrznej, bez danych po podaniu dożylnym. Narzędzie RIVIVR powiązało uwalnianie heparyny drobnocząsteczkowej z mikrosfer z aktywnością anty-Xa po podaniu dotchawiczym szczurom. Aktywność anty-Xa była tu surogatem stężenia.1

  1. PK Tuszyński, S Polak, R Jachowicz, A Mendyk. From in vitro-in vivo relationship (IVIVR) towards in vitro-in vivo extrapolation (IVIVE): a case study of pulmonary delivery systems. Dissolution Technologies, 2017. doi:10.14227/dt240417p32 ↩
Wartości przewidywane a obserwowane dla wszystkich formulacji
Przewidywane i obserwowane profile aktywności anty-Xa
Procedura optymalizacji
Wygenerowane profile impulsowe
2015
Dissolution Technologies 22(2)How-To: Empirical IVIVR Without Intravenous DataDissolution Technologies 22(2)Praca metodyczna

Zależność in vitro–in vivo można zbudować empirycznie bez danych po podaniu dożylnym. Praca porównuje lasy losowe, sieci neuronowe, programowanie genetyczne i RIVIVR na zbiorach danych kilku leków, a rycina pokazuje zewnętrzną walidację modelu dla oksykodonu.1

  1. A Mendyk, PK Tuszyński, MH Khalid, R Jachowicz, S Polak. How-To: Empirical IVIVR Without Intravenous Data. Dissolution Technologies 22(2), 2015. doi:10.14227/dt220215p12 ↩
Walidacja zewnętrzna modelu dla oksykodonu
Dane wejściowe i wyjściowe modelu
Wyniki dla diltiazemu
2016
Complex Adaptive Systems ModelingTransparent computational intelligence models for pharmaceutical tableting processComplex Adaptive Systems ModelingPraca oryginalna

Najlepsze modele przewidywały wytrzymałość tabletek na rozciąganie ze znormalizowanym RMSE 7%, a reguły systemów rozmytych, lasów losowych i wzór z regresji symbolicznej pozwalają sprawdzić, jak model działa.1

  1. MH Khalid, PK Tuszyński, P Kazemi, J Szlęk, R Jachowicz, A Mendyk. Transparent computational intelligence models for pharmaceutical tableting process. Complex Adaptive Systems Modeling, 2016. doi:10.1186/s40294-016-0019-6 ↩
Wartości przewidywane a obserwowane dla wszystkich metod
Wpływ czasu nacisku i stearynianu magnezu na wytrzymałość tabletek
2018
Dissolution Technologies 25(3)In vitro-in vivo correlation (IVIVC): from current achievements towards the futureDissolution Technologies 25(3)Artykuł przeglądowy

Przegląd przeszkód w budowaniu IVIVC, takich jak postacie o natychmiastowym uwalnianiu, brak danych dożylnych i leki klas BCS III i IV. Autorzy wskazują kierunek rozwoju: niefarmakopealne metody uwalniania, media biorelewantne, aparaty odtwarzające przewód pokarmowy i zaawansowane modelowanie.1

  1. PK Tuszyński, J Szlęk, S Polak, R Jachowicz, A Mendyk. In vitro-in vivo correlation (IVIVC): from current achievements towards the future. Dissolution Technologies 25(3), 2018. doi:10.14227/dt250318p20 ↩
Górna część pierwszej strony
2015
2015 13th International Conference on Frontiers of Information TechnologyFrom black-box to transparent computational intelligence models: a pharmaceutical case study2015 13th International Conference on Frontiers of Information TechnologyPraca konferencyjna

Z modeli wytrzymałości tabletek na rozciąganie można wydobyć reguły i równanie, które da się sprawdzić, a tego oczekują przemysł i regulatorzy. Najlepszy wynik dała sieć neuronowa (znormalizowany RMSE 7,2%, R² 0,884), ale działa jak czarna skrzynka. Las losowy wypadł niewiele gorzej (7,6%) i pozwolił zapisać reguły słowami. Regresja symboliczna dała jedno równanie (11,5%) oparte na udziale stearynianu magnezu i czasie nacisku.1

  1. MH Khalid, PK Tuszyński, J Szlęk, R Jachowicz, A Mendyk. From black-box to transparent computational intelligence models: a pharmaceutical case study. 2015 13th International Conference on Frontiers of Information Technology, 2015. doi:10.1109/fit.2015.30 ↩
Wartości przewidywane a obserwowane dla czterech metod
Reguły wydobyte z lasu losowego
Równanie wytrzymałości tabletki z regresji symbolicznej
2018
Journal of Veterinary Pharmacology and Therapeutics 41Extension of IVIVC Level A for risperidone in rabbits based on artificial intelligence (AI)Journal of Veterinary Pharmacology and Therapeutics 41Streszczenie

Rozszerzenie korelacji IVIVC poziomu A dla rysperydonu u królików z użyciem metod AI.

A Mendyk, PK Tuszynski.

2009
Sap.Cytotoxic activity of saponin fractions from selected species of the Chenopodiaceae familyInternational Conference on Saponins, NancyDoniesienie konferencyjne

Aktywność cytotoksyczna frakcji saponin z gatunków rodziny komosowatych.

PK Tuszyński, M Kaleta, A Galanty, I Podolak.