MétaCan
Menu
Retour à la cohorte
Enregistrement W4390080798 · doi:10.20944/preprints202312.1480.v1

Review of Commercially Available Nano-Drugs and Nano-Delivery Systems: Challenges and Perspectives

2023· preprint· en· W4390080798 sur OpenAlexaff
Dmitri Boudovitch, Aya Sakaya, Arife Uzundurukan, Jean-Yve Leroux, Domenico Fuoco

Notice bibliographique

RevuePreprints.org · 2023
Typepreprint
Langueen
DomaineMaterials Science
ThématiqueNanoparticle-Based Drug Delivery
Établissements canadiensPolytechnique MontréalUniversité de Sherbrooke
Organismes subventionnairesnon disponible
Mots-clésNanotechnologyNano-Drug deliveryDelivery systemRisk analysis (engineering)Computer scienceMedicineEngineeringMaterials sciencePharmacology

Résumé

récupéré en direct d'OpenAlex

Nano-drugs and nano-delivery systems are rapidly evolving, with new strategies emerging in the current practices. The evolution of these technologies began with modifying the chemical structure, progressing to supramolecular ionic complexes, and culminating in elegant ad hoc delivery systems. Nanoparticles have numerous benefits as a carrier system for delivering therapeutic agents to intra-arterial sites. These benefits include their subcellular size, targeted surfaces, good suspensibility, and uniform dispersity, making them an ideal choice for catheter-based delivery. Despite the advancements made in the field of nano-drugs and nano-delivery systems, there are still some hurdles to overcome in terms of their commercial availability.The current review presents an updated summary of recent advancements in nano-drugs and nano-delivery systems, including their commercial availability. We aim to discuss the present challenges and prospects of commercially available nano-drugs and nano-delivery systems. Here, we provide a precise and informative overview of the current state of these technologies and underscore the potential they hold for future developments. Further, we have categorized commercially available modifications, name, parent company and their main applications in nano-drugs.

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)0,002
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 enseignants0,005
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,003
Études des sciences et des technologies0,0000,000
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,003

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 Opus0,164
Tête enseignante GPT0,322
Écart entre enseignants0,158 · 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

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePreprints.orgMême sujetNanoparticle-Based Drug DeliveryTravaux en français237 207