MétaCan
Menu
Retour à la cohorte
Enregistrement W4399155656 · doi:10.3390/nu16111715

Nutraceuticals for Diabetic Retinopathy: Recent Advances and Novel Delivery Systems

2024· article· en· W4399155656 sur OpenAlexaff
Xiaoyuan Ye, Nicholas Fung, Wai‐Ching Lam, Acy Lo

Notice bibliographique

RevueNutrients · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueRetinal Diseases and Treatments
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesHealth and Medical Research FundFood and Health Bureau
Mots-clésNutraceuticalMedicineContext (archaeology)Clinical trialDiabetic retinopathyPopulationIntensive care medicineDiabetes mellitusPharmacologyInternal medicineBiologyEndocrinologyPathology

Résumé

récupéré en direct d'OpenAlex

Diabetic retinopathy (DR) is a major vision-threatening disease among the working-age population worldwide. Present therapeutic strategies such as intravitreal injection of anti-VEGF and laser photocoagulation mainly target proliferative DR. However, there is a need for early effective management in patients with early stage of DR before its progression into the more severe sight-threatening proliferative stage. Nutraceuticals, natural functional foods with few side effects, have been proposed to be beneficial in patients with DR. Over the decades, many studies, either in vitro or in vivo, have demonstrated the advantages of a number of nutraceuticals in DR with their antioxidative, anti-inflammatory, neuroprotective, or vasoprotective effects. However, only a few clinical trials have been conducted, and their outcomes varied. The low bioavailability and instability of many nutraceuticals have indeed hindered their utilization in clinical use. In this context, nanoparticle carriers have been developed to deliver nutraceuticals and to improve their bioavailability. Despite its preclinical nature, research of interventive nutraceuticals for DR may yield promising information in their clinical applications.

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 enseignants0,002
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,027
Tête enseignante GPT0,318
Écart entre enseignants0,291 · 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

Citations11
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNutrientsMême sujetRetinal Diseases and TreatmentsTravaux en français237 207