Sigma Antagonists for Treatment of Neuropathic Pain Syndromes in Cancer Patients: A Narrative Review
Notice bibliographique
Résumé
Almost 40% of cancer patients have neuropathic pain or mixed pain with a neuropathic component, which can be intense, debilitating, and challenging to treat. New studies on sigma receptors show these enigmatic ligand-binding protein chaperones may be helpful drug targets for new pharmacologic options to reduce many types of neuropathies, including chemotherapy-induced peripheral neuropathy (CIPN) and other cancer-related neuropathic pain syndromes. Our objective was to review the literature, including preclinical findings, in support of sigma-1 receptor (S1R) antagonists in reducing neuropathic pain and sigma-2 receptor (S2R) agonists for neuroprotection. The mechanisms behind these effects are not yet fully elucidated. The role of S1R antagonists in treating CIPN appears promising. In some cases, combination therapy of an opioid—which is a true analgesic—with a S1R antagonist, which is an anti-hyperalgesic and anti-allodynic agent, has been proposed. Of interest, but not well studied is whether or not S1R antagonists might be effective in treating CIPN in patients with pre-existing peripheral diabetic neuropathy. While neuropathic syndromes may occur with hematologic cancers, the role of S1R agonists may be effective. Sigma receptors are being actively studied now for a variety of conditions ranging from Alzheimer’s disease to Parkinson’s disease as well as neuropathic pain.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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) | 0,000 | 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 ».