MétaCan
Menu
Retour à la cohorte
Enregistrement W2143322448 · doi:10.1177/1352458513512709

Using magnetic resonance imaging in animal models to guide drug development in multiple sclerosis

2013· review· en· W2143322448 sur OpenAlexafffund
Nabeela Nathoo, V. Wee Yong, Jeff F. Dunn

Notice bibliographique

RevueMultiple Sclerosis Journal · 2013
Typereview
Langueen
DomaineMedicine
ThématiqueMultiple Sclerosis Research Studies
Établissements canadiensHotchkiss Brain InstituteOntario Brain InstituteUniversity of Calgary
Organismes subventionnairesCanadian Institutes of Health ResearchAlberta InnovatesMultiple Sclerosis SocietyNatural Sciences and Engineering Research Council of CanadaMultiple Sclerosis Society of Canada
Mots-clésMultiple sclerosisRemyelinationMedicineMagnetic resonance imagingClinical trialDrug developmentPreclinical researchDrugMedical physicsNeurosciencePathologyPharmacologyRadiologyPsychologyInternal medicineImmunologyCentral nervous system

Résumé

récupéré en direct d'OpenAlex

Major advances are taking place in the development of therapeutics for multiple sclerosis (MS), with a move past traditional immunomodulatory/immunosuppressive therapies toward medications aimed at promoting remyelination or neuroprotection. With an increase in diversity of MS therapies comes the need to assess the effectiveness of such therapies. Magnetic resonance imaging (MRI) is one of the main tools used to evaluate the effectiveness of MS therapeutics in clinical trials. As all new therapeutics for MS are tested in animal models first, it is logical that MRI be incorporated into preclinical studies assessing therapeutics. Here, we review key papers showing how MR imaging has been combined with a range of animal models to evaluate potential therapeutics for MS. We also advise on how to maximize the potential for incorporating MRI into preclinical studies evaluating possible therapeutics for MS, which should improve the likelihood of discovering new medications for the condition.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Intégrité de la recherche
Catégories consensuellesMéta-épidémiologie (sens strict)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,972
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,002
Méta-épidémiologie (sens strict)0,0020,002
Méta-épidémiologie (sens large)0,0050,001
Bibliométrie0,0040,003
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,003
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,357
Tête enseignante GPT0,373
Écart entre enseignants0,016 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeAutre devis
Domainenon disponible
GenreSynthèse

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

En bref

Citations10
Publié2013
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueMultiple Sclerosis JournalMême sujetMultiple Sclerosis Research StudiesTravaux en français237 207