【舒利迭】 沙美特罗替卡松粉吸入剂 (50微克 250微克)

适应症
舒利迭以联合用药形式(支气管扩张剂和吸入皮质激素),用于可逆性阻塞性气道疾病的常规治疗,包括成人和儿童哮喘。
这可包括: 1.接受有效维持剂量的长效β2-激动剂和吸入型皮激素治疗的患者。
2.目前使用吸入型皮质激素治疗但仍有症状的患者。
3.接受支气管扩张剂常规治疗但仍然需要吸入型皮质激素的患者。
用法用量
舒利迭准纳器只供经口吸入使用。
应该让病人认识到本药须常规使用才能获得理想益处,即使没有症状时也如此。
  医生应定期再评估病情,以使所接受的本药保持最佳剂量,并且应将药量调整至维持有效控制症状的最小剂量。
应该根据病情的严重程度给病人开含有适宜剂量丙酸氟替卡松的本药。
  推荐剂量 :成人和12岁及12岁以上的青少年 :   每次1吸(50 ug沙美特罗和100 ug丙酸氟替卡松),每日2次,或每次1吸(50 ug沙美特罗和250 ug丙酸氟替卡松),每日2次。
不良反应
经鼻应用皮质激素后曾有发生鼻中隔穿孔的报道,但极为罕见,通常见于作过鼻手术的患者。与其他鼻部吸入剂一样,本品可引起鼻、喉部干燥、刺激,令人不愉快的味道和气味。鼻衄、头痛、过敏反应,包括皮疹、面部或舌部水肿曾有报道,罕有过敏性/过敏样反应和支气管痉挛的报道。长期、大剂量经鼻腔给予皮质激素可能导致全身性反应。
注意事项
1. 舒利迭TM准纳器TM不适用于急性症状的缓解,而应使用快速短效的支 气管扩张剂(如沙丁胺醇)。
应建议病人随时携带能够快速缓解症状的药物。
不可突然中断舒利迭TM的治疗。
2. 任何吸入型皮质激素都有可能引起全身反应,特别是长期大剂量使 用,但其出现与口服皮质激素相比要少得多。
3. 建议长期接受吸入型皮质激素治疗的儿童定期检查身高。
  
禁忌
对本品中任何成份有过敏史者禁用。
详细说明

【主要成份】本品为复方制剂,其组分为沙美特罗(以昔萘酸盐形式)和丙酸氟替卡松。
沙美特罗昔萘酸盐的化学名称为 :4-羟基-α’-[[[6-(4-苯丁氧基)己基]氨基]甲基]-1,3-苯二甲醇,1-羟基-2-羟甲酸盐。
分子式:C25H37NO4·C11H8O3
分子量 :603.8。
丙酸氟替卡松的化学名称为 :6,9-二氟-11-羟-16-甲基-3-氧代-17-(1-氧代丙氧基)-雄甾-1,4-二烯-17-硫代羧酸(6α,11β,16α,17α)-S-(氟甲基)酯。
分子式 :C25H31F3O5S
分子量:500.6。

【药理作用】药效学特性 作用机制: 舒利迭含有沙美特罗与丙酸氟替卡松,两者有不同的作用方式。 沙美特罗起控制症状的作用,而丙酸氟替卡松改善肺功能并预防病情恶化。舒利迭能为同时使用β-激动剂和吸入型皮质激素治疗的病人提供更方便的方案。两种药物的各自作用机制阐述如下:

 沙美特罗: 沙美特罗分子结构为一条能与受体外点结合的长链,为一种选择性的长效(12小时)β2-肾上腺素受体激动剂。 与推荐剂量传统的短效β2-激动剂相比,沙美特罗的药理特性可提供更有效的针对组胺诱导的支气管收缩的保护作用,并产生至少持续12小时的更持久的支气管扩张作用。体外试验表明沙美特罗可抑制人肺部肥大细胞介质(如组胺、白三烯和前列腺素D2)的释放,是强有力的长效抑制剂。沙美特罗能抑制人体吸入过敏原后的速发与迟发反应,对后者的作用在单剂吸入后能持续30多个小时,直至不再有明显的支气管扩张作用。单剂沙美特罗可减弱支气管高反应性。这些特性提示沙美特罗还有非支气管扩张剂的活性,但其全面的临床意义尚不清楚。这一机制不同于皮质激素的抗炎作用。

 丙酸氟替卡松: 吸入推荐剂量的丙酸氟替卡松在肺内产生强效的糖皮质激素抗炎作用,因而减轻哮喘的症状及恶化,而没有使用全身性皮质激素的副作用。 在长期吸入丙酸氟替卡松治疗期间,即使使用了儿童及成人的最大推荐剂量,肾上腺皮质激素的每日分泌量仍保持在正常范围以内。当由其它的吸入皮质激素改换过来后,尽管过去及现在间断使用口服皮质激素,肾上腺皮质激素的每日分泌量仍逐渐改善,这表明在吸入丙酸氟替卡松时肾上腺功能可恢复至正常。在长期治疗中,肾上腺储备也保持正常,用刺激试验时可检测到正常的增值。尽管如此,必须牢记任何由过去治疗而遗留的肾上腺储备的受损可能会持续相当长时间。

【药物相互作用】患可逆性阻塞性气道疾病的病人,除非迫不得己,应避免使用选择性及非选择性β-阻滞剂。由于在吸入剂量下达到的血浆浓度非常低,所以临床显著意义的药物相互作用不可能出现。在同时使用已知的强效CYP3A4抑制剂时(如迭康唑和ritonavir),应注意由于使用丙酸氟替卡松造成系统暴露增加的可能性。

【贮藏】于30°C以下,干燥处保存。有效期18个月。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值