MARC

 008260126s2025        us                              c    eng  d
■001000017359633
■00520260202105149
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798293831111
■035    ▼a(MiAaPQ)AAI32241833
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a157
■1001  ▼aDonato,  Suzanna.
■24510▼aAdvancing  Medication  Development  for  Alcohol  Use  Disorder  Using  Randomized  Clinical  Trials
■260    ▼a[Sl]▼bUniversity  of  California,  Los  Angeles▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a153  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-03,  Section:  B.
■500    ▼aAdvisor:  Ray,  Lara  Allison.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2025.
■520    ▼aIt  has  been  19  years  since  the  Food  and  Drug  Administration  (FDA)  approved  a  new  medication  for  the  treatment  of  alcohol  use  disorder  (AUD).  Thus,  medication  development  is  a  top  research  priority  within  the  field  of  AUD.  Randomized  clinical  trials  (RCTs)  continue  to  represent  a  key  scientific  tool  for  testing  the  effectiveness  of  new  interventions  and  examining  their  value  in  clinical  practice.  To  best  expand  pharmacotherapies  for  AUD  and  improve  medication  utilization  in  clinical  settings,  proper  design,  execution,  and  evaluation  of  these  trials  is  critical.  This  dissertation  seeks  to  advance  the  literature  on  AUD  clinical  trial  methodology,  assessment,  and  analysis  and  provide  recommendations  for  enhancing  the  medication  development  process.  This  aim  was  addressed  in  three  parts.  First,  a  systematic  review  was  conducted  to  describe  current  methodological  practices  of  AUD  RCTs  and  extrapolate  opportunities  for  optimization  (Study  1).  Next,  the  repertoire  of  clinical  assessments  for  RCTs  was  expanding  by  developing  a  reliable  measure  of  AUD  severity,  a  demonstrated  moderator  of  treatment  response  (Study  2).  Lastly,  a  re-analysis  of  a  combined  medication  RCT  for  AUD  and  smoking  cessation  was  conducted  using  data-driven  methods  to  identify  treatment  responders  (Study  3).Study  1  (Donato  et  al.,  2024)  involved  a  systematic  review  of  139  RCTs  representing  19  AUD  medications,  describing  the  main  characteristics  of  randomized  clinical  trial  designs.  Study  characteristics  including  sample  size,  outcome  domain  (e.g.,  heavy  drinking,  abstinence),  medication  dosage,  inclusion  factors,  and  treatment  duration  were  extracted  and  synthesized.  Results  from  the  study  demonstrated  that  the  most  frequently  tested  medication  was  naltrexone,  the  median  length  of  treatment  period  was  12  weeks,  a  majority  of  studies  included  both  heavy  drinking  and  abstinence  outcomes.  Additionally,  results  indicated  a  positive  trend  in  more  balanced  samples  and  better  reporting  of  demographic  characteristics  over  time.  Empirical  data  from  this  study  can  be  coupled  with  that  of  prior  narrative  reviews  to  provide  recommendations  for  optimization  and  promote  consilience.  These  efforts  will  both  help  in  the  refinement  of  the  medication  development  process,  as  well  as  making  it  easier  for  information  to  be  integrated  and  passed  to  clinicians.Study  2  (Donato  et  al.,  2022)  expanded  upon  prior  work  on  an  AUD  severity  construct  to  create  a  novel  screening  assessment  to  be  implemented  in  RCTs.  Data  amassed  from  six  psychopharmacology  studies  (n=1939)  was  used  to  replicate  a  previously  validated  AUD  severity  construct  (Donato,  Green,  &  Ray,  2021)  and  to  develop  a  preliminary  9-item  AUD  severity  scale.  Exploratory  factor  analysis  on  the  9-item  scale  demonstrated  that  a  single  factor  model  of  severity  best  fit  the  data.  Analysis  of  the  psychometric  properties  revealed  good  internal  consistency  (α=  0.79).  This  study  supports  the  initial  consistency  and  validity  of  a  brief  severity  scale  that  can  be  leveraged  in  future  RCTs  and  clinical  settings.Study  3  (Donato  &  Ray,  2025)  used  machine  learning  data  analytic  approaches  to  identify  key  predictors  of  smoking  cessation  and  drinking  reduction.  Data  was  utilized  from  a  Phase  2,  randomized,  double-blind  clinical  trial  on  the  combined  effects  of  naltrexone  and  varenicline  in  a  sample  of  daily  smokers  and  heavy  drinkers  (n=165).  The  study  tested  the  predictive  power  of  three  different  models  (i.e.,  ridge  regression,  LASSO  regression,  and  random  forest)  for  both  smoking  and  drinking  outcomes.  Findings  from  the  study  indicated  that  LASSO  regression  performed  the  best  with  both  outcomes  compared  to  ridge  regression  or  random  forest.  In  both  outcome  analyses,  indicators  of  co-use  (e.g.,  alcohol  consumption  for  smoking  outcome,  smoking  variables  for  drinking  outcome)  were  identified  as  significant  predictors.  Additionally,  education  came  up  as  a  key  predictor  of  smoking  cessation  and  drinking  reduction.  Overall,  this  study  developed  predictive  models  and  identified  key  features  that  can  be  validated  and  later  implemented  in  clinical  settings  to  provide  more  personalized  treatment  recommendations.The  successful  completion  of  these  studies  has  provided  valuable  clinical  data  on  the  medication  development  process,  including  trial  methodology,  novel  assessment  measures,  and  predictors  associated  with  treatment  response.  Collectively,  results  from  this  series  of  studies  can  inform  future  clinical  trial  efforts  and  further  research  studies  in  medication  development  for  AUD.
■590    ▼aSchool  code:  0031.
■650  4▼aClinical  psychology
■650  4▼aPharmacology
■650  4▼aNeurosciences
■650  4▼aMedicine
■650  4▼aDevelopmental  psychology
■653    ▼aAlcohol
■653    ▼aAlcohol  use  disorder
■653    ▼aMachine  learning
■653    ▼aMedications  development
■653    ▼aPharmacotherapy
■653    ▼aRandomized  clinical  trials
■690    ▼a0622
■690    ▼a0620
■690    ▼a0564
■690    ▼a0317
■690    ▼a0419
■71020▼aUniversity  of  California,  Los  Angeles▼bPsychology  0780.
■7730  ▼tDissertations  Abstracts  International▼g87-03B.
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359633▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서