Disease‐modifying strategies for Parkinson's disease
Notice bibliographique
Résumé
Parkinson's disease (PD) is an increasingly prevalent and progressively disabling neurodegenerative disease. The impact of PD on patients and their families as well as its burden on health care systems could be substantially reduced by disease-modifying therapies that slow the rate of neurodegeneration or stop the disease process. Multiple agents have been studied in clinical trials designed to assess disease modification in PD, but all have failed. Over the last 3 years, clinical trials investigating the potential of adeno-associated virus serotype 2 (AAV)-neuturin, coenzyme Q10, creatine, pramipexole, and pioglitazone reported negative findings or futility. Despite these disappointments, progress has been made by expanding our understanding of molecular pathways involved in PD to reveal new targets, and by developing novel animal models of PD for preclinical studies. Currently, at least eight ongoing clinical trials are testing the promise of isradipine, caffeine, nicotine, glutathione, AAV2-glial cell-line derived neurotrophic factor (GDNF), as well as active and passive immunization against α-synuclein (α-Syn). In this review, we summarize the clinical trials of disease-modifying therapies for PD that were published since 2013 as well as clinical trials currently in progress. We also discuss promising approaches and ongoing challenges in this area of PD research.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».