Lessons Learnt from the Second Generation of Anti-Amyloid Monoclonal Antibodies Clinical Trials
Notice bibliographique
Résumé
BACKGROUND: Alzheimer disease (AD) is a chronic neurodegenerative disorder with complex pathophysiology that affects over 50 million people worldwide. Most drug therapies, to date, have focused on targeting the amyloid-beta (Aβ) pathway, but clinical outcomes of anti-Aβ antibodies have been unsuccessful and unable to meet their primary endpoints. Similar trends have also been observed in treatments that target the tau pathway. SUMMARY: This paper reviews recent anti-Aβ passive monotherapies, since Bapineuzumab, that have progressed to phase 3 clinical trials. Specifically, we discuss the 4 clinical trial programs of Solanezumab (targets Aβ monomers), Aducanumab (targets Aβ oligomers and plaques), Crenezumab (targets Aβ oligomers), and Gantenerumab (targets Aβ fibrils) which are all exogenous monoclonal antibodies. We conclude with potential reasons for why they have not met their primary endpoints and discuss lessons learnt from these trials. Key Message: Future disease-modifying trials (DMTs) for AD should be conducted in asymptomatic, Aβ-positive individuals. Moreover, potential additive and/or synergistic benefits focusing on anti-Aβ and anti-tau drug combinations merit further investigation.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».