Targeting Translational Successes through CANSORT-SCI: Using Pet Dogs To Identify Effective Treatments for Spinal Cord Injury
Notice bibliographique
Résumé
Translation of therapeutic interventions for spinal cord injury (SCI) from laboratory to clinic has been historically challenging, highlighting the need for robust models of injury that more closely mirror the human condition. The high prevalence of acute, naturally occurring SCI in pet dogs provides a unique opportunity to evaluate expeditiously promising interventions in a population of animals that receive diagnoses and treatment clinically in a manner similar to persons with SCI, while adhering to National Institutes of Health guidelines for scientific rigor and transparent reporting. In addition, pet dogs with chronic paralysis are often maintained long-term by their owners, offering a similarly unique population for study of chronic SCI. Despite this, only a small number of studies have used the clinical dog model of SCI. The Canine Spinal Cord Injury Consortium (CANSORT-SCI) was recently established by a group of veterinarians and basic science researchers to promote the value of the canine clinical model of SCI. The CANSORT-SCI group held an inaugural meeting November 20 and 21, 2015 to evaluate opportunities and challenges to the use of pet dogs in SCI research. Key challenges identified included lack of familiarity with the model among nonveterinary scientists and questions about how and where in the translational process the canine clinical model would be most valuable. In light of these, we review the natural history, outcome, and available assessment tools associated with canine clinical SCI with emphasis on their relevance to human SCI and the translational process.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».