Semi-Quantitatif Phytochemical Profile and Antiradical Potential of Aqueous and 70 % Ethanol Extracts of Zanthoxylum Zanthoxyloides (Lam) Zepern and Timler, Leaves Used In Traditional Medicine in the North of Cote D'ivoire
Notice bibliographique
Résumé
Herbal medicines have grown in popularity in recent decades, with many people turning to them to maintain their health and prevent and treat various illnesses, particularly chronic diseases.In Europe, the use of traditional medicine varies from 42% in Belgium to 90% in the UK, and from 42% in the USA among adults to 70% in Canada (Sarman et Uzuntarla 2022; Esmal, 2017).In Africa, the use of traditional medicine varies from 60% in Uganda and the United Republic of Tanzania, 70% in Ghana and Rwanda, to 80% in Benin and 90% in Burundi and Ethiopia (Ouoba et al., 2022).For millions of people, herbal medicines are the only reliable source of healthcare.This is due to the safety of traditional medicines its easy access and affordability, in contrast to the high cost of health worker services and pharmaceutical drugs.The elimination of natural molecules by the body is easy, and the risk of carcinogenicity or complicated diseases is low.Many therapeutic virtues are attributed to plants, which are generally linked to their richness in phytomolecules known as secondary metabolites (Jamshidi-Kia et al, 2017).These secondary metabolites, which contain several classes of compounds, are generally of polyphenolic origin and are the most abundant in plant material (Kouam et al., 2021).These polyphenolic compounds are endowed with significant antimicrobial, antiplasmodic, antihelmetic, antihistaminic and antioxidant activities (Kouadio et al., 2021).As such, they have the potential to treat many emerging chronic pathologies linked to oxidative stress, such as cancer, diabetes, asthma,
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».