MétaCan
Menu
Back to cohort
Record W4200506355 · doi:10.1515/9783110720051-049

Wie man virale Infektionen untersuchen kann

2021· book-chapter· de· W4200506355 on OpenAlexaff
Philipp Lang

Bibliographic record

Venuenot available
Typebook-chapter
Languagede
FieldHealth Professions
TopicHealth and Medical Studies
Canadian institutionsUniversity of Toronto
Fundersnot available
KeywordsMedicine

Abstract

fetched live from OpenAlex

Wie man virale Infektionen untersuchen kann Zusammenfassung Über 500 Millionen Menschen leiden derzeit unter Infektionen mit dem Hepatitis-B-Virus, dem Hepatitis-C-Virus sowie dem Humanen Immundefizienzvirus (HIV).Diese Virusinfektionen können nicht immer vom körpereigenen Immunsystem hinreichend bekämpft werden, sodass eine persistierende Infektion entstehen kann.Dabei können mehrere Komponenten des Immunsystems versagen.Daher ist die Forschung an diesen Viren und ihren Erkrankungen unabdingbar, um Mechanismen aufzudecken, die eine persistierende Infektion begünstigen.Die therapeutische Beeinflussung dieser Mechanismen könnte zur Ausheilung von chronisch viralen Infektionen beitragen.Virusinfektionen Ein Virus ist ein kleines infektöses Partikel, das sich nur innerhalb lebender Zellen vermehren kann.Viren können alle lebenden Organismen infizieren: Bakterien, Archaeen, Pflanzen, Tiere und Menschen.1898 entdeckte Martinus W. Beijerinck das contagium vivum fluidum, welches die Tabakmosaikkrankheit hervorruft.Diese infektiöse Flüssigkeit konnte Filter durchdringen, die üblicherweise Bakterien abfangen, und nur auf lebenden Zellen vermehrt werden.Das contagium vivum fluidum wurde später als Tabak-Mosaikvirus identifiziert.Seitdem wurde eine Vielzahl von Viren entdeckt, die Krankheiten in ihren Wirten auslösen können.Ein komplettes Viruspartikel besteht aus der genetischen Information, die von einer Hülle umgeben ist.Einige Viren haben eine weitere "äußere Hülle" aus Lipiden, die von den Wirtszellen gebildet wird.Die innere Hülle besteht aus Proteinen, deren Information in der viruseigenen genetischen Information kodiert ist.Viren machen sich den Zellapparat der Wirtszelle zunutze, um sich zu vermehren.Die Größe der Viren kann zwischen zehn und 350 Nanometern variieren.Chronische Virusinfektionen Chronische Virusinfektionen sind Infektionen mit Viren, die selbst nur leichten oder gar keinen Schaden hervorrufen und deshalb nicht direkt bedrohlich für den Wirt wirken.Allerdings persistieren die Viren in bestimmten Zellarten oder Organen des Organismus, womit über eine lange Zeitperiode andere Wirtsorganismen infiziert werden können.Chronische Virusinfektionen können in abgetrennten Bereichen des Körpers vorkommen, wie beispielsweise Infektion mit dem Herpes-simplex-Virus oder dem Varizella-Zoster-Virus. Andere Viren, wie das Hepatitis-B-Virus (HBV), das Hepatitis-C-Virus (HCV) und das Humane Immunodefizienzvirus (HIV) infizieren den gesamten Wirt und werden deshalb als systemische Infektionen bezeichnet.Die Langzeiteffekte dieser

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 imitation

Not 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.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.001
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Not applicable · Consensus signal: none
GenreCandidate signal: Methods · Consensus signal: none
Teacher disagreement score0.025
Threshold uncertainty score0.085

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0010.001
Meta-epidemiology (narrow)0.0010.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0010.001
Science and technology studies0.0020.004
Scholarly communication0.0050.004
Open science0.0010.001
Research integrity0.0030.003
Insufficient payload (model declined to judge)0.0250.018

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.

Opus teacher head0.119
GPT teacher head0.415
Teacher spread0.296 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designNot applicable
Domainnot available
GenreMethods

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".

Quick stats

Citations0
Published2021
Admission routes1
Has abstractno

Explore more

Same topicHealth and Medical StudiesFrench-language works237,207