Analyse der Bronchiallavage bei interstitiellen Lungenerkrankungen
Notice bibliographique
Résumé
Unter dem Begriff interstitielle Lungenerkrankungen (ILD) werden zahlreiche Krankheiten zusammengefasst, die im fortgeschrittenen Stadium zum Bild der Lungenfibrose führen können. Am häufigsten (50%) ist die Sarkoidose, gefolgt von der exogen allergischen Alveolitis (EAA), den Pneumokoniosen und der UIP (usual interstitial pneumonia) / IPF (idiopathic pulmonary fibrosis) mit jeweils 10%. Therapeutische Ansätze zur Behandlung interstitieller Lungenerkrankungen bestehen im Einsatz von Kortikoiden und Immunsuppressiva, die Prognose ist insgesamt eher schlecht. Zur Entwicklung besserer Behandlungsmöglichkeiten ist das Verständnis der pathophysiologischen Vorgänge in der Lungenmatrix wichtig. Hierbei spielen bestimmte Zytokine, wie z.B. TGF-ß1 eine große Rolle. Hypothese: TGFß1 unterstützt durch Aktivierung von Proteaseinhibitoren (TIMP=tissue inhibitors of metalloproteinases) und Hemmung von Metallopreoteinasen (MMP=matrix metalloproteinases) eine Störung der Gewebe-Remodelings. Folge ist die Entwicklung einer Lungenfibrose. Durch Messung dieser Parameter in der Bronchiallavage von Patienten mit interstitiellen Lungenerkrankungen kann eine Aussage über die Dynamik der Fibrosierung gemacht werden. Ergebnisse: Wir untersuchten bei verschiedenen Patientenkollektiven (UIP, Kollagenosen, Vaskulitiden, COPD, Pneumonien, Sarkoidose und übrige ILD) die Flüssigkeit der BAL und quantifizierten u.a. die Menge von TGFß1, MMP-8, MMP-9 und TIMP-1. Signifikant höhere Werte fanden sich bei Patienten mit UIP bzw. ILD unbekannter Ätiologie im Vergleich zu Sarkoidose und der Kontrollgruppe. Kein Unterschied fand sich im Vergleich der UIP mit Pneumonien, COPD oder der EAA. Interessant wird im weiteren die Korrelation mit Lungenfunktionsparametern dieser Patienten sein.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».