<i>In vitro</i> prediction of <i>in vivo</i> skin damage associated with the wiping of dry tissue against skin
Notice bibliographique
Résumé
BACKGROUND: The ideal gentle cleansing product is one that effectively removes soils while minimizing damage to the skin. Thus, measuring physical abrasion caused by cleansing tissues is critical to the continued development of gentle cleansing products. Current analysis of cleansing materials for skin gentleness is time consuming and requires expensive human subject testing. This report describes the development of a rapid and inexpensive bench assay for the assessment of skin abrasion caused by wiping. METHODS: Coefficient of friction (COF) evaluations using bench methods were compared with results from clinical studies of repeated wiping and with confocal visualizations of excised skin. A Monitor/Slip and Friction instrument (model 32-06; TMI, Amityville, NY, USA) was used to measure tissue friction on simulated skin (Vitro-Skin, N19-5X; IMS, Milford, CT, USA). Clinical data from a 4-day repetitive forearm wiping study measuring transepidermal water loss (TEWL) in 30 subjects was compared with results from the bench top assay. In addition, excised skin samples were also treated using the COF bench assay and examined using confocal microscopy to visualize stratum corneum damage caused by wiping. RESULTS: Using the bench COF assay, we were able to distinguish between bath tissue codes by comparing average static friction value (ASFV) for the test codes, where lower ASFV indicated less abrasive tissue. The ASFV followed the same gentleness trend observed in the clinical study. Confocal microscopy of excised skin wiped with the same materials indicated stratum corneum damage consistent with the bench COF and clinical TEWL observations. CONCLUSION: We observed significant correlation between bench and clinical methods for measuring skin damage caused by wiping of skin with tissue. The bench method will facilitate rapid and inexpensive skin gentleness assessment of cleansing materials.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».