Emerging therapeutic approaches for treating abdominal pain
Notice bibliographique
Résumé
There is an urgent need for analgesics to treat pain that lacks the serious side effects of existing drugs, such as conventional opioids and nonsteroidal anti-inflammatory drugs. Most side effects arise from the non-selective actions of these drugs at sites where the pain is not generated because of the ubiquitous expression of the drug targets in the body regardless of the underlying disease. In this narrative review, we explore 2 mechanistic approaches focusing on visceral nociceptive neurons that have the potential to limit side effects while preserving efficacy. Strategy 1 demonstrates how mechanistic pain studies underlying a specific disorder, such as irritable bowel syndrome, can identify targets specifically upregulated in that condition. We discuss recent findings regarding 2 neuroactive mediators, histamine and proteases, including novel intestinal sources, signalling pathways, and intracellular synergistic actions that could serve as potential therapeutic targets. Strategy 2 examines how acidic microenvironments unique to the sites of inflammation where pain is generated, such as in inflammatory bowel disease, can be exploited. pH-sensitive analgesics have been developed that inhibit μ-opioid receptors at sites of inflammation where tissue pH is low, ie, 6.5, while showing no activity at other sites where tissue pH is normal, ie, 7.4. Collectively, these studies highlight the value of investigating the mechanisms underlying specific disorders, which can lead to novel biomarkers and therapeutic strategies that can enhance the specificity of the new therapies.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,003 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».