A comprehensive approach to identify approved drugs and treatments for repositioning as therapies for systemic lupus erythematosus
Notice bibliographique
Résumé
Development of new systemic lupus erythematosus (SLE) treatments has been slow. To accelerate the pace, an evidence-based approach was developed to find new lupus therapies amongst 6,800 compounds FDA approved for human use. The Lupus Treatment List (LRxL) was constructed with intense input from the entire lupus community, including patients, and was used to prioritize therapies to be tested in small focused, biomarker-rich clinical trials (SLE Treatment Acceleration Trials (STAT)). All drugs widely used for lupus or known to be in development for lupus by Pharma/Biotech were excluded. Details of the project can be viewed online [ 1 ]. A novel evidence-based composite scoring system was developed to rank the identified drugs/therapies numerically by scientific rationale, experience in lupus mice/human cells, previous clinical experience in autoimmunity, drug properties and adverse event profile. Of the 157 therapies initially screened, more than 25 have an appropriate set of characteristics to consider for testing in clinical trials in lupus, including drugs targeting cellular metabolism, kinases, the immune system, HDACs, complement as well as cellular therapies and nondrug interventions. This approach has not only identified unique candidates that could be useful in SLE and possibly other autoimmune/inflammatory conditions, but has also yielded a rigorous evidence-based process by which therapies can be usefully rated for possible clinical application to treat these conditions, thereby mitigating risk in drug development.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».