MétaCan
Menu
Retour à la cohorte
Enregistrement W3163019784 · doi:10.3390/pharmaceutics13050757

New Approaches in Nanomedicine for Ischemic Stroke

2021· review· en· W3163019784 sur OpenAlexafffund
Clara Correa‐Paz, Andrés da Silva‐Candal, Ester Polo, Jérôme Parcq, Denis Vivien, Dušica Maysinger, Beatriz Pelaz, Francisco Campos

Notice bibliographique

RevuePharmaceutics · 2021
Typereview
Langueen
DomaineMaterials Science
ThématiqueNanoparticle-Based Drug Delivery
Établissements canadiensMcGill University
Organismes subventionnairesEuropean Regional Development FundInstituto de Salud Carlos IIIEuropean CommissionXunta de GaliciaAgencia Estatal de InvestigaciónAgence Nationale de la RechercheFonds de Recherche du Québec - SantéEuroNanoMed III
Mots-clésNanomedicineStroke (engine)Ischemic strokeMedicineNanotechnologyInternal medicineEngineeringIschemiaMaterials scienceNanoparticleMechanical engineering

Résumé

récupéré en direct d'OpenAlex

Ischemic stroke, caused by the interruption of blood flow to the brain and subsequent neuronal death, represents one of the main causes of disability in developed countries. Therapeutic methods such as recanalization approaches, neuroprotective drugs, or recovery strategies have been widely developed to improve the patient's outcome; however, important limitations such as a narrow therapeutic window, the ability to reach brain targets, or drug side effects constitute some of the main aspects that limit the clinical applicability of the current treatments. Nanotechnology has emerged as a promising tool to overcome many of these drug limitations and improve the efficacy of treatments for neurological diseases such as stroke. The use of nanoparticles as a contrast agent or as drug carriers to a specific target are some of the most common approaches developed in nanomedicine for stroke. Throughout this review, we have summarized our experience of using nanotechnology tools for the study of stroke and the search for novel therapies.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,004
Score d'incertitude au seuil0,015

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,002
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0040,003

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.

Tête enseignante Opus0,226
Tête enseignante GPT0,399
Écart entre enseignants0,173 · 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 source (Gemma direct ou Codex distillé), 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

Citations38
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePharmaceuticsMême sujetNanoparticle-Based Drug DeliveryTravaux en français237 207