New insights into the impact of neuro-inflammation in rheumatoid arthritis
Notice bibliographique
Résumé
Rheumatoid arthritis (RA) is considered to be, in many respects, an archetypal autoimmune disease that causes activation of pro-inflammatory pathways resulting in joint and systemic inflammation. RA remains a major clinical problem with the development of several new therapies targeted at cytokine inhibition in recent years. In RA, biologic therapies targeted at inhibition of tumor necrosis factor alpha (TNFα) have been shown to reduce joint inflammation, limit erosive change, reduce disability and improve quality of life. The cytokine TNFα has a central role in systemic RA inflammation and has also been shown to have pro-inflammatory effects in the brain. Emerging data suggests there is an important bidirectional communication between the brain and immune system in inflammatory conditions like RA. Recent work has shown how TNF inhibitor therapy in people with RA is protective for Alzheimer's disease. Functional MRI studies to measure brain activation in people with RA to stimulus by finger joint compression, have also shown that those who responded to TNF inhibition showed a significantly greater activation volume in thalamic, limbic, and associative areas of the brain than non-responders. Infections are the main risk of therapies with biologic drugs and infections have been shown to be related to disease flares in RA. Recent basic science data has also emerged suggesting that bacterial components including lipopolysaccharide induce pain by directly activating sensory neurons that modulate inflammation, a previously unsuspected role for the nervous system in host-pathogen interactions. In this review, we discuss the current evidence for neuro-inflammation as an important factor that impacts on disease persistence and pain in RA.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».