Assessing the barriers to image‐guided drug delivery
Notice bibliographique
Résumé
Imaging has become a cornerstone for medical diagnosis and the guidance of patient management. A new field called image‐guided drug delivery (IGDD) now combines the vast potential of the radiological sciences with the delivery of treatment and promises to fulfill the vision of personalized medicine. Whether imaging is used to deliver focused energy to drug‐laden particles for enhanced, local drug release around tumors, or it is invoked in the context of nanoparticle‐based agents to quantify distinctive biomarkers that could risk stratify patients for improved targeted drug delivery efficiency, the overarching goal of IGDD is to use imaging to maximize effective therapy in diseased tissues and to minimize systemic drug exposure in order to reduce toxicities. Over the last several years, innumerable reports and reviews covering the gamut of IGDD technologies have been published, but inadequate attention has been directed toward identifying and addressing the barriers limiting clinical translation. In this consensus opinion, the opportunities and challenges impacting the clinical realization of IGDD‐based personalized medicine were discussed as a panel and recommendations were proffered to accelerate the field forward. WIREs Nanomed Nanobiotechnol 2014, 6:1–14. doi: 10.1002/wnan.1247 This article is categorized under: Therapeutic Approaches and Drug Discovery > Emerging Technologies Diagnostic Tools > In Vivo Nanodiagnostics and Imaging Therapeutic Approaches and Drug Discovery > Nanomedicine for Oncologic Disease
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 | 0,018 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».