ఆండ్రీ జె జాక్సన్
తక్షణ-విడుదల (IR) మిథైల్ఫెనిడేట్ (MPH) కోసం సాహిత్యం-ఆధారిత శారీరక నమూనా, పొడిగించిన-విడుదల (ER) శోషణ కోసం పారామితుల జోడింపుతో పొడిగించిన-విడుదల MPH ఔషధ ఉత్పత్తులను వివరించడానికి NONMEM విశ్లేషణ కోసం స్వీకరించబడవచ్చో లేదో నిర్ణయించడానికి (అంటే, కాన్సర్టా ® ER 54 mg మాత్రలు మరియు రిటాలిన్-LA ® 40 mg క్యాప్సూల్స్) ఫార్మకోకైనటిక్స్ (PK) పెద్దలలో.
ఈ సెమీ-ఫిజియోలాజికల్ మోడల్ సంక్లిష్ట శోషణతో కూడిన సూత్రీకరణల నుండి మిథైల్ఫెనిడేట్ ప్లాస్మా డేటా యొక్క విశ్లేషణలో సి మాక్స్ యొక్క మరింత ఖచ్చితమైన నిర్ణయాన్ని అనుమతించడానికి ఒక వేదికను అందిస్తుంది . మొత్తం MPH ప్లాస్మా స్థాయిల కోసం అడల్ట్ రిఫరెన్స్ డేటా (d- మరియు l-enantiomers యొక్క సమ్మషన్) ER MPH కోసం ప్రచురించబడిన NONMEM మోడల్ నుండి వ్యక్తిగత సబ్జెక్ట్ పారామీటర్లను ఉపయోగించి రూపొందించబడింది (వ్యక్తిగత సబ్జెక్ట్ పారామీటర్ రూపొందించిన డేటా ఉపయోగించబడింది ఎందుకంటే నిజమైన ప్రయోగాత్మక డేటా యాజమాన్యం మాత్రమే మునుపు ప్రచురించిన సారాంశం పారామితులు ప్రజల ఉపయోగం కోసం అందుబాటులో ఉన్నాయి). IR ఫిజియోలాజికల్ మోడల్కు సాహిత్య నిష్పత్తి అంచనాల ఆధారంగా మొత్తం MPH ప్లాస్మా ఏకాగ్రత స్థాయిల నుండి d/l ఎన్యాంటియోమర్ నిష్పత్తిని లెక్కించడం ద్వారా డేటా కోసం ప్రతి సమయ పాయింట్లో అంచనా వేయబడిన d- మరియు l-MPH ఎన్యాంటియోమర్ల విశ్లేషణ అవసరం.
శోషణ వేగవంతమైన జీరో-ఆర్డర్ మరియు ఆలస్యంగా నెమ్మదిగా మొదటి-ఆర్డర్ విడుదల ద్వారా వర్గీకరించబడింది. సాహిత్యం IR మోడల్కు అనుగుణంగా, d- మరియు l-MPH ఎన్యాంటియోమర్లను వివరించడానికి రెండు డూప్లికేట్ ఫిజియోలాజికల్ మోడల్లు ఉపయోగించబడ్డాయి. వ్యక్తిగత సబ్జెక్ట్ పారామీటర్ రూపొందించిన డేటా/నిజమైన ప్రయోగాత్మక డేటా కోసం సగటు మరియు వైవిధ్య నిష్పత్తులు 1.0కి చాలా దగ్గరగా ఉన్నాయి. శోషణ-మార్పు చేయబడిన ఫిజియోలాజికల్ మోడల్ యొక్క ప్రిడిక్టివ్ పనితీరు మరియు దాని స్థాన పారామితులు ప్రదర్శించబడ్డాయి, ఎందుకంటే వారు కాన్సర్టా ® మరియు రిటాలిన్ LA ® PK మరియు C గరిష్ట విలువలు రెండింటినీ బాగా వివరించారు. కాన్సర్టా ® శిఖరాలకు పక్షపాతం 6% కంటే తక్కువగా ఉంది , అయితే d-రిటాలిన్ LA ® కోసం గరిష్ట 1 12.9% మరియు గరిష్టం 2, 7.5%. ER MPH ఔషధ ఉత్పత్తుల కాన్సర్టా ® మరియు రిటాలిన్ LA ® NONMEM విశ్లేషణల కోసం రూపొందించబడిన IR MPH ఫిజియోలాజికల్ మోడల్ రెండు సూత్రీకరణల కోసం వ్యక్తిగత పారామీటర్-ఉత్పత్తి సూచన డేటాను బాగా వివరించింది.