In vitro Dosisvergleich von Respimat® Soft Mist Inhaler™ mit Trockenpulverinhalatoren für die COPD-Therapie
Bibliographic record
Abstract
Ein direkter Vergleich von aktuell auf dem Markt befindlichen Inhalatoren in Patienten ist schwierig aufgrund der Variabilität, die unvermeidbar durch den Patienten eingebracht wird. Daher wurden in vitro Daten bezüglich der Dosis, die die Mund-Rachen-Region passiert, generiert mithilfe des Alberta-Rachenmodells. Drei Inhalatoren (Spiriva® Respimat®, Seebri® Breezhaler® und Eklira® Genuair®) wurden verglichen. Dafür wurden die Inhalatormundstücke in die Mundöffnung des Rachenmodells eingesetzt. Der Luftfluss wurde hinter dem Rachenmodell entweder durch einen Filter oder zur Messung der Partikelgrößenverteilung durch einen Next Generation Impaktor geleitet. Dabei wurden realistische Atemprofile von COPD-Patienten verwendet, die an die Flusswiderstände der drei Inhalatoren angepasst waren. Da die Generierung des Aerosols im Fall des Respimat unabhängig vom Inhalationsfluss ist, führt nur die Simulation von sehr schnell inhalierenden Patienten zu einer leicht erhöhten Rachendeposition, während bei den meisten Trockenpulverinhalatoren eine relativ hohe Flussrate nötig ist für das Deagglomerieren der Wirkstoff- und Hilfsstoffpartikel. Dies führt zu einer höheren Deposition von allen Inhaltsstoffen der Pulverformulierung in der Mund-Rachen-Region und einer prozentual geringeren Lungendeposition im Vergleich zu Respimat. Die Ergebnisse zeigen, dass der Respimat® Soft Mist™ Inhaler eine hohe Dosis der abgegebenen Wirkstoffmenge in die Lunge transportiert (ca. 50 – 70% in vitro ), was gut vergleichbar ist zu 44 – 63% in vivo (P Brand, 2007, Pneumologie, Vol. 61). Before presented at ISAM 2013 Danksagung: Warren Finlay stellte 3D-Daten seines idealisierten Mund-Rachen-Modells zur Verfügung
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".