Daring to dream: Targeting lipoprotein(a) as a causal and risk-enhancing factor
Notice bibliographique
Résumé
Lipoprotein(a) [Lp(a)], a distinct lipoprotein class, has become a major focus for cardiovascular research. This review is written in light of the recent guideline and consensus statements on Lp(a) and focuses on 1) the causal association between Lp(a) and cardiovascular outcomes, 2) the potential mechanisms by which elevated Lp(a) contributes to cardiovascular diseases, 3) the metabolic insights on the production and clearance of Lp(a) and 4) the current and future therapeutic approaches to lower Lp(a) concentrations. The concentrations of Lp(a) are under strict genetic control. There exists a continuous relationship between the Lp(a) concentrations and risk for various endpoints of atherosclerotic cardiovascular disease (ASCVD). One in five people in the Caucasian population is considered to have increased Lp(a) concentrations; the prevalence of elevated Lp(a) is even higher in black populations. This makes Lp(a) a cardiovascular risk factor of major public health relevance. Besides the association between Lp(a) and myocardial infarction, the relationship with aortic valve stenosis has become a major focus of research during the last decade. Genetic studies provided strong support for a causal association between Lp(a) and cardiovascular outcomes: carriers of genetic variants associated with lifelong increased Lp(a) concentration are significantly more frequent in patients with ASCVD. This has triggered the development of drugs that can specifically lower Lp(a) concentrations: mRNA-targeting therapies such as anti-sense oligonucleotide (ASO) therapies and short interfering RNA (siRNA) therapies have opened new avenues to lower Lp(a) concentrations more than 95%. Ongoing Phase II and III clinical trials of these compounds are discussed in this review.
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 | 0,009 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».