Regenerative medicine applications: An overview of clinical trials
Notice bibliographique
Résumé
Insights into the use of cellular therapeutics, extracellular vesicles (EVs), and tissue engineering strategies for regenerative medicine applications are continually emerging with a focus on personalized, patient-specific treatments. Multiple pre-clinical and clinical trials have demonstrated the strong potential of cellular therapies, such as stem cells, immune cells, and EVs, to modulate inflammatory immune responses and promote neoangiogenic regeneration in diseased organs, damaged grafts, and inflammatory diseases, including COVID-19. Over 5,000 registered clinical trials on ClinicalTrials.gov involve stem cell therapies across various organs such as lung, kidney, heart, and liver, among other applications. A vast majority of stem cell clinical trials have been focused on these therapies’ safety and effectiveness. Advances in our understanding of stem cell heterogeneity, dosage specificity, and ex vivo manipulation of stem cell activity have shed light on the potential benefits of cellular therapies and supported expansion into clinical indications such as optimizing organ preservation before transplantation. Standardization of manufacturing protocols of tissue-engineered grafts is a critical first step towards the ultimate goal of whole organ engineering. Although various challenges and uncertainties are present in applying cellular and tissue engineering therapies, these fields’ prospect remains promising for customized patient-specific treatments. Here we will review novel regenerative medicine applications involving cellular therapies, EVs, and tissue-engineered constructs currently investigated in the clinic to mitigate diseases and possible use of cellular therapeutics for solid organ transplantation. We will discuss how these strategies may help advance the therapeutic potential of regenerative and transplant medicine.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| 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 | 0,001 | 0,001 |
| 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 ».