MétaCan
Menu
Retour à la cohorte
Enregistrement W4291020097 · doi:10.1126/scitranslmed.abo7793

The past, present, and future of antibiotics

2022· review· en· W4291020097 sur OpenAlexafffund
Michael A. Cook, Gerard D. Wright

Notice bibliographique

RevueScience Translational Medicine · 2022
Typereview
Langueen
DomaineImmunology and Microbiology
ThématiqueBiosimilars and Bioanalytical Methods
Établissements canadiensMcMaster University
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésAntibioticsRisk analysis (engineering)Intensive care medicineBusinessReimbursementInvestment (military)MedicinePolitical scienceBiologyHealth careEconomic growthEconomics

Résumé

récupéré en direct d'OpenAlex

Antibiotics have transformed modern medicine. They are essential for treating infectious diseases and enable vital therapies and procedures. However, despite this success, their continued use in the 21st century is imperiled by two orthogonal challenges. The first is that the microbes targeted by these drugs evolve resistance to them over time. The second is that antibiotic discovery and development are no longer cost-effective using traditional reimbursement models. Consequently, there are a dwindling number of companies and laboratories dedicated to delivering new antibiotics, resulting in an anemic pipeline that threatens our control of infections. The future of antibiotics requires innovation in a field that has relied on highly traditional methods of discovery and development. This will require substantial changes in policy, quantitative understanding of the societal value of these drugs, and investment in alternatives to traditional antibiotics. These include narrow-spectrum drugs, bacteriophage, monoclonal antibodies, and vaccines, coupled with highly effective diagnostics. Addressing the antibiotic crisis to meet our future needs requires considerable investment in both research and development, along with ensuring a viable marketplace that encourages innovation. This review explores the past, present, and future of antimicrobial therapy.

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 enseignants0,003
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,002
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)0,0030,001

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 Opus0,071
Tête enseignante GPT0,385
Écart entre enseignants0,315 · 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

Citations616
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueScience Translational MedicineMême sujetBiosimilars and Bioanalytical MethodsTravaux en français237 207