Bibliographic record
Abstract
En PDT, contrairement à d'autres types de traitement, le travail in vitro n'est qu'une étape mineure permettant d'évaluer le potentiel tumoricide sur une souche tumorale spécifique. Il ne permet en aucun cas de prédire son efficacité in vivo où les conditions seront beaucoup moins avantageuses en terme d'oxygénation, de distribution du PS et de la lumière par exemple. Le choix du modèle animal est également plus crucial que pour l'évaluation d'autres approches thérapeutiques. La biodistribution d'un PS chez la souris ou le rat n'est pas toujours identique à celle chez l'homme mais l'utilisation de petits rongeurs est préférable d'un point de vue économique. Vu la contribution d'un effet immunologique, les animaux athymiques ne sont pas le meilleur choix, mais le nombre de lignées cellulaires tumorales chez les rongeurs est limité. Le modèle animal le plus fréquemment utilisé consiste en une tumeur chez le rat ou la souris (immunocompétents ou non) implantée en sous cutané. Néanmoins, l'effet du micro-environnement hôte-tumeur est essentiel en PDT et il diffère considérablement en orthotopique ou hétérotopique. Le paramètre le plus important est probablement la vascularisation. La densité vasculaire est plus grande en orthotopique avec des vaisseaux de plus petite taille et ayant une plus grande perméabilité. Ceci influencera la distribution du PS et également l'oxygénation, qui est plus faible en sous cutané. La pénétration de la lumière sera également totalement différente vu les différences de µa et µs qui existent entre le tissu de l'organe cible et les structures cutanées et sous cutanées. La technique d'induction peut également altérer la réponse du tissu sain environnant, aussi bien en ce qui concerne la distribution du PS que la sensibilité/résistance du tissu environnant à la PDT. Le choix du modèle animal est donc crucial et dépend de la question scientifique posée.
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 | 0.013 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.006 |
| Scholarly communication | 0.013 | 0.011 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.005 | 0.007 |
| Insufficient payload (model declined to judge) | 0.009 | 0.007 |
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".