The Advent of COVID-19; Periodontal Research Has Identified Therapeutic Targets for Severe Respiratory Disease; an Example of Parallel Biomedical Research Agendas
Notice bibliographique
Résumé
The pathophysiology of SARS-CoV-2 infection is characterized by rapid virus replication and aggressive inflammatory responses that can lead to acute respiratory distress syndrome (ARDS) only a few days after the onset of symptoms. It is suspected that a dysfunctional immune response is the main cause of SARS-CoV-2 infection-induced lung destruction and mortality due to massive infiltration of hyperfunctional neutrophils in these organs. Similarly, neutrophils are recruited constantly to the oral cavity to combat microorganisms in the dental biofilm and hyperfunctional neutrophil phenotypes cause destruction of periodontal tissues when periodontitis develops. Both disease models arise because of elevated host defenses against invading organisms, while concurrently causing host damage/disease when the immune cells become hyperfunctional. This represents a clear nexus between periodontal and medical research. As researchers begin to understand the link between oral and systemic diseases and their potential synergistic impact on general health, we argue that translational research from studies in periodontology must be recognized as an important source of information that might lead to different therapeutic options which can be effective for the management of both oral and non-oral diseases. In this article we connect concepts from periodontal research on oral inflammation while exploring host modulation therapy used for periodontitis as a potential strategy for the prevention of ARDS a deadly outcome of COVID-19. We suggest that host modulation therapy, although developed initially for management of periodontitis, and which inhibits proteases, cytokines, and the oxidative stress that underlie ARDS, will provide an effective and safe treatment for COVID-19.
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 | 0,009 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,006 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».