The promise and challenges of RNA-targeted therapeutics in preventive cardiology
Notice bibliographique
Résumé
Despite landmark achievements made in the past 50 years to understand, treat, and prevent atherosclerotic cardiovascular diseases (ACVD), preventing heart attacks and strokes in high-risk patients still remains very challenging for clinicians. Our pharmacological arsenal of preventive therapies like statins and medicines targeting high blood pressure are effective in reducing the burden of ACVD, but they leave behind an important ‘residual risk’. Over the years, it has become increasingly recognized that our sedentary lifestyle and toxic food environment, our exposure to chronic stress, tobacco smoke and poor air quality contribute greatly to this so-called residual risk. The rise in the prevalence of cardiometabolic disease such as type 2 diabetes (T2D) and non-alcoholic fatty liver diseases (NAFLD) combined with systemic inflammation have also been shown to increase ACVD risk burden in the general population. From a pathophysiological standpoint, apolipoprotein B (apoB)-containing lipoproteins are the major drivers of ACVD and we have yet to find the threshold at which further lowering blood levels of apoB-containing lipoproteins is not beneficial for cardiovascular health.1 In the majority of patients, the most abundant atherogenic apoB-containing lipoproteins in the bloodstream include triglyceride-rich lipoproteins such as very-low-density lipoproteins (VLDLs) and their remnants, low-density lipoproteins (LDLs) and lipoprotein(a) (Lp[a]). ApoB-containing lipoproteins are the major culprit in ACVD and since most clinicians have limited options to target factors contributing to ACVD residual risk, developing therapies that will further reduce all apoB-containing lipoproteins is likely to represent the most effective and achievable strategy to prevent ACVD in high-risk patients.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».