The Evolution of TNF-α Blockade for the Treatment of Rheumatoid Arthritis
Notice bibliographique
Résumé
Tumor necrosis factor (TNF)-α is a potent trimeric cytokine which plays a fundamental role in the host immuno-inflammatory response, as well as in homeostasis and development. Although critical for canonical immune function, TNF-α has great destructive potential and is implicated in the development of multiple immune-mediated disorders. Within the context of rheumatoid arthritis (RA), TNF-α acts as a primary pathogenic driver by precipitating a pro-inflammatory cytokine cascade and coordinating the attraction and activation of immune cells, all of which culminate in damage to the synovium. The discovery of the paramount role of TNF-α in the pathophysiology of RA motivated studies to understand the effects of TNF blockade in vitro and in vivo. Promising preclinical results provided the impetus for clinical trials, spearheaded in the 1980s and 90s by Marc Feldmann, which revealed significant improvements across RA symptom scores and finally led to FDA approval in 1998. As of 2021, five TNF-α blocking agents have been widely applied clinically, including infliximab (IFX), etanercept (ETN), adalimumab (ADA), golimumab (GLM) and certolizumab pegol (CZP). All of them successfully ameliorated symptoms of RA and the associated tissue damage, especially in patients not responding to traditional treatment methods. Anti-TNFs are most often administered in combination with methotrexate (MTX) as part of Phase II treatment (i.e., second line). Although the general availability of anti-TNFs has dramatically improved patient outcomes, sustained remission is rare and the mechanism of RA remains incompletely understood. Thus, additional basic and translational research is warranted, towards the aim of developing novel RA treatments.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».