MétaCan
Menu
Retour à la cohorte
Enregistrement W2298012097 · doi:10.14740/jocmr2508w

From Individualized Treatment of Sickle Cell Pain to Precision Medicine: A 40-Year Journey

2016· review· en· W2298012097 sur OpenAlexvenueno aff
Samir K. Ballas

Notice bibliographique

RevueJournal of Clinical Medicine Research · 2016
Typereview
Langueen
DomaineComputer Science
ThématiqueComputational Drug Discovery Methods
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMedicineOpioidAnalgesicPrecision medicineSickle cell traitIntensive care medicineAnesthesiaInternal medicineReceptorPathology

Résumé

récupéré en direct d'OpenAlex

In the 1970s, sickle cell pain was treated with trial and error approach by increasing or decreasing the dose of an opioid or switching from one analgesic to another. This approach was controversial with criticism and doubt about its usefulness. Since then, advances in determining the structure of opioid receptors and the role of the CYP450 enzymes in metabolizing opioids revealed that these anatomic and metabolic findings are not the same in all persons, thus explaining the variability in response to opioids among patients. Thus, the "trial and error approach" has a scientific basis after all.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0030,003
Études des sciences et des technologies0,0010,002
Communication savante0,0020,004
Science ouverte0,0020,002
Intégrité de la recherche0,0030,005
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,494
Tête enseignante GPT0,635
Écart entre enseignants0,141 · 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
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

Citations4
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Clinical Medicine ResearchMême sujetComputational Drug Discovery MethodsTravaux en français237 207