MétaCan
Menu
Retour à la cohorte
Enregistrement W2520082135 · doi:10.1186/s13195-016-0207-9

Drug development in Alzheimer’s disease: the path to 2025

2016· review· en· W2520082135 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueAlzheimer s Research & Therapy · 2016
Typereview
Langueen
DomaineComputer Science
ThématiqueComputational Drug Discovery Methods
Établissements canadiensEli Lilly (Canada)
Organismes subventionnairesBiogenDanoneNational Institute of Neurological Disorders and StrokeNational Institute of General Medical SciencesSanofiNational Institute on AgingEli Lilly and CompanyAlzheimer's Drug Discovery Foundation
Mots-clésDrug developmentDiseaseClinical trialStandardizationMedicineRisk analysis (engineering)Data sharingSet (abstract data type)Computer sciencePsychologyDrugAlternative medicinePsychiatry

Résumé

récupéré en direct d'OpenAlex

The global impact of Alzheimer's disease (AD) continues to increase, and focused efforts are needed to address this immense public health challenge. National leaders have set a goal to prevent or effectively treat AD by 2025. In this paper, we discuss the path to 2025, and what is feasible in this time frame given the realities and challenges of AD drug development, with a focus on disease-modifying therapies (DMTs). Under the current conditions, only drugs currently in late Phase 1 or later will have a chance of being approved by 2025. If pipeline attrition rates remain high, only a few compounds at best will meet this time frame. There is an opportunity to reduce the time and risk of AD drug development through an improvement in trial design; better trial infrastructure; disease registries of well-characterized participant cohorts to help with more rapid enrollment of appropriate study populations; validated biomarkers to better detect disease, determine risk and monitor disease progression as well as predict disease response; more sensitive clinical assessment tools; and faster regulatory review. To implement change requires efforts to build awareness, educate and foster engagement; increase funding for both basic and clinical research; reduce fragmented environments and systems; increase learning from successes and failures; promote data standardization and increase wider data sharing; understand AD at the basic biology level; and rapidly translate new knowledge into clinical development. Improved mechanistic understanding of disease onset and progression is central to more efficient AD drug development and will lead to improved therapeutic approaches and targets. The opportunity for more than a few new therapies by 2025 is small. Accelerating research and clinical development efforts and bringing DMTs to market sooner would have a significant impact on the future societal burden of AD. As these steps are put in place and plans come to fruition, e.g., approval of a DMT, it can be predicted that momentum will build, the process will be self-sustaining, and the path to 2025, and beyond, becomes clearer.

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.

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)0,008
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Science ouverte, Charge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,983
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0080,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,003
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0070,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,002

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 Opus0,257
Tête enseignante GPT0,479
Écart entre enseignants0,222 · 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