Identifying and Understanding Seizure Liability in Drug Development
Notice bibliographique
Résumé
Seizures are complex electrophysiological disturbances affecting one or more populations of brain neurons. Seizures following test article (TA) exposure pose significant challenges in drug development. This paper considers the diverse neurological manifestations, mechanisms, and functional and structural assessments needed to investigate TA-related seizure liabilities, with a particular focus on nonclinical species. Accurate discrimination of seizures from convulsions (irregular involuntary body and/or limb movements) and the nuanced presentation of different seizure types (partial vs. general) and phases (prodromal, ictal, and postictal) are essential for discerning their clinical implications. In nonclinical safety testing, the most direct evaluation method to confirm existence of seizures is electroencephalography (EEG) while clinical endpoints (e.g., functional observational batteries [FOB], comprehensive neurological examinations) and neuropathological findings (e.g., neuronal necrosis in tissue sections, raised biomarker levels in cerebrospinal fluid or serum) can indicate a seizure liability and provide additional guidance to identify the origin, frequency, and severity of seizures needed to align nonclinical effects with clinical relevance. In general, the regulatory perspective is that seizures identified in nonclinical species as well as potential risk management strategies (e.g., safety margin considerations, dosing paradigms, and clinical monitoring) translate effectively for purposes of clinical risk assessment.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».