MétaCan
Menu
Retour à la cohorte
Enregistrement W4389160296 · doi:10.1186/s12951-023-02216-3

Extracellular vesicles in venous thromboembolism and pulmonary hypertension

2023· review· en· W4389160296 sur OpenAlexafffund
Jiwei Zhang, Xiaoyi Hu, Tao Wang, Rui Xiao, Matthieu Ruiz, Jocelyn Dupuis, Qinghua Hu

Notice bibliographique

RevueJournal of Nanobiotechnology · 2023
Typereview
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueExtracellular vesicles in disease
Établissements canadiensUniversité de MontréalMontreal Heart Institute
Organismes subventionnairesUniversité de MontréalTongji UniversityShanghai Pulmonary HospitalNational Natural Science Foundation of China
Mots-clésPathophysiologyMedicinePulmonary hypertensionThrombosisInflammationPlateletEndothelial dysfunctionHeart failureVenous thrombosisVascular diseaseCardiologyDiseaseBioinformaticsInternal medicineBiology

Résumé

récupéré en direct d'OpenAlex

Venous thromboembolism (VTE) is a multifactorial disease, and pulmonary hypertension (PH) is a serious condition characterized by pulmonary vascular remodeling leading with increased pulmonary vascular resistance, ultimately leading to right heart failure and death. Although VTE and PH have distinct primary etiologies, they share some pathophysiologic similarities such as dysfunctional vasculature and thrombosis. In both conditions there is solid evidence that EVs derived from a variety of cell types including platelets, monocytes, endothelial cells and smooth muscle cells contribute to vascular endothelial dysfunction, inflammation, thrombosis, cellular activation and communications. However, the roles and importance of EVs substantially differ between studies depending on experimental conditions and parent cell origins of EVs that modify the nature of their cargo. Numerous studies have confirmed that EVs contribute to the pathophysiology of VTE and PH and increased levels of various EVs in relation with the severity of VTE and PH, confirming its potential pathophysiological role and its utility as a biomarker of disease severity and as potential therapeutic targets.

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 recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,002

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.

Tête enseignante Opus0,034
Tête enseignante GPT0,295
Écart entre enseignants0,262 · 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

Citations13
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of NanobiotechnologyMême sujetExtracellular vesicles in diseaseTravaux en français237 207