MétaCan
Menu
Retour à la cohorte
Enregistrement W3016509977 · doi:10.1186/s13023-020-01352-5

Detection of alpha-1 antitrypsin deficiency: the past, present and future

2020· review· en· W3016509977 sur OpenAlexafffund
Mark Brantly, Michael Campos, Angela Davis, Jeanine D’Armiento, Kenneth W. Goodman, Miriam O’Day, John Queenan, Robert A. Sandhaus, James K. Stoller, Charlie Strange, Jeffrey Teckman, Adam Wanner

Notice bibliographique

RevueOrphanet Journal of Rare Diseases · 2020
Typereview
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueProtease and Inhibitor Mechanisms
Établissements canadiensQueen's University
Organismes subventionnairesAlpha-1 FoundationIronwood Pharmaceuticals, IncorporatedNational Institutes of HealthGrifolsCSL BehringShire CanadaAstraZeneca
Mots-clésAlpha 1-antitrypsin deficiencyMedicineIntensive care medicineDiseasePulmonary diseaseHuman geneticsPathologyImmunologyInternal medicineBiologyGenetics

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Most patients with alpha-1 antitrypsin deficiency remain undiagnosed and therefore do not benefit from current therapies or become eligible for research studies of new treatments under development. Improving the detection rate for AATD is therefore a high priority for the Alpha-1 Foundation. A workshop was held on June 23, 2019 in Orlando, Florida during which stakeholders from the research, pharmaceutical, and patient communities focused on the topic of alpha-1 antitrypsin deficiency detection. RESULTS: A variety of detection strategies have been explored in the past and new approaches are emerging as technology advances. Targeted detection includes patients with chronic obstructive pulmonary disease, unexplained chronic liver disease, and family members of affected individuals. Newborn screening, electronic medical record data mining, and direct-to-consumer testing remain options for future detection strategies. CONCLUSION: These meeting proceedings can serve as a basis for innovative approaches to the detection of alpha-1 antitrypsin deficiency.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,984
Score d'incertitude au seuil0,557

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
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 Opus0,012
Tête enseignante GPT0,261
Écart entre enseignants0,249 · 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.

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

Citations40
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueOrphanet Journal of Rare DiseasesMême sujetProtease and Inhibitor MechanismsTravaux en français237 207