MétaCan
Menu
Retour à la cohorte
Enregistrement W2742563138 · doi:10.1002/sctm.17-0047

Proceedings: Regenerative Medicine for Lung Diseases: A CIRM Workshop Report

2017· article· en· W2742563138 sur OpenAlexfundno aff
Lisa C. Kadyk, Natalie DeWitt, Brigitte N. Gomperts

Notice bibliographique

RevueStem Cells Translational Medicine · 2017
Typearticle
Langueen
DomaineMedicine
ThématiqueTissue Engineering and Regenerative Medicine
Établissements canadiensnon disponible
Organismes subventionnairesWeizmann Institute of ScienceCedars-Sinai Medical CenterOttawa Hospital Research InstituteCalifornia Institute for Regenerative Medicine
Mots-clésRegenerative medicineStem cellMedicineLungIntensive care medicineBioinformaticsPathologyBiologyInternal medicine

Résumé

récupéré en direct d'OpenAlex

The mission of the California Institute of Regenerative Medicine (CIRM) is to accelerate treatments to patients with unmet medical needs. In September 2016, CIRM sponsored a workshop held at the University of California, Los Angeles, to discuss regenerative medicine approaches for treatment of lung diseases and to identify the challenges remaining for advancing such treatments to the clinic and market approval. Workshop participants discussed current preclinical and clinical approaches to regenerative medicine in the lung, as well as the biology of lung stem cells and the role of stem cells in the etiology of various lung diseases. The outcome of this effort was the recognition that whereas transient cell delivery approaches are leading the way in the clinic, recent advances in the understanding of lung stem cell biology, in vitro and in vivo disease modeling, gene editing and replacement methods, and cell engraftment approaches raise the prospect of developing cures for some lung diseases in the foreseeable future. In addition, advances in in vitro modeling using lung organoids and "lung on a chip" technology are setting the stage for high quality small molecule drug screening to develop treatments for lung diseases with complex biology. Stem Cells Translational Medicine 2017;6:1823-1828.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,801
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,039
Tête enseignante GPT0,330
Écart entre enseignants0,292 · 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 tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

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

En bref

Citations8
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueStem Cells Translational MedicineMême sujetTissue Engineering and Regenerative MedicineTravaux en français237 207