MétaCan
Menu
Retour à la cohorte
Enregistrement W1490614896 · doi:10.5772/30509

Contribution of Inflammation to Chronic Pain Triggered by Nerve Injury

2012· book-chapter· en· W1490614896 sur OpenAlexaff
Stefania Echeverry, S.H. Lee, Tony K.Y. Lim, J. Zhang

Notice bibliographique

RevueInTech eBooks · 2012
Typebook-chapter
Langueen
DomaineMedicine
ThématiquePain Mechanisms and Treatments
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésNerve injuryMedicineInflammationChronic painNeurosciencePhysical therapyAnesthesiaPsychologyInternal medicine

Résumé

récupéré en direct d'OpenAlex

An injury to a peripheral nerve can be a slight stretch, a compression or a severe laceration. Such damage usually leads to an acute phase response characterized by nociceptive pain, inflammation and restriction of normal function. However, in about 7%-18% of the general population, pain persists, even after the injury healing, producing a state of chronic neuropathic pain. This type of hypersensitivity is debilitating and refractory to the majority of available analgesics. It adversely affects quality of life and bears a substantial cost to society. In the last two decades, compelling evidence strongly suggested that, in addition to changes in neuronal system, pathogenesis of neuropathic pain involves the interaction between the immune system and the nervous system. Inflammatory process alters local homeostasis and impairs neuronal function. In this chapter, we primarily focus on the evidence with experimental animal models obtained from our laboratory and from literature to highlight inflammatory reaction along the pain pathway (from damaged nerve to the spinal cord), and the critical role of this reaction in the development and maintenance of neuropathic pain. We also discuss the current progress and challenges of translating the inflammation related new targets into therapeutics.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,030

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0090,004

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,013
Tête enseignante GPT0,259
Écart entre enseignants0,246 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInTech eBooksMême sujetPain Mechanisms and TreatmentsTravaux en français237 207