STUDY OF UREMIC TOXIN FLUXES ACROSS NANOFABRICATED HEMODIALYSIS MEMBRANES USING IRREVERSIBLE THERMODYNAMICS
Notice bibliographique
Résumé
INTRODUCTION: The flux of uremic toxin middle molecules through currently used hemodialysis membranes is suboptimal, mainly because of the membranes' pore architecture. AIM: Identifying the modifiable sieving parameters that can be improved by nanotechnology to enhance fluxes of uremic toxins across the walls of dialyzers' capillaries. METHODS: We determined the maximal dimensions of endothelin, cystatin C, and interleukin - 6 using the macromolecular modeling software, COOT. We also applied the expanded Nernst-Plank equation to calculate the changes in the overall flux as a function of increased electro-migration and pH of the respective molecules. RESULTS: In a high flux hemodialyzer, the effective diffusivities of endothelin, cystatin C, and interleukin - 6 are 15.00 x 10(-10) cm(2)/s, 7.7 x 10(-10) cm(2)/s, and 5.4 x 10(-10) cm(2)/s, respectively, through the capillaries' walls. In a nanofabricated membrane, the effective diffusivities of endothelin, cystatin C, and interleukin - 6 are 13.87 x 10(-7) cm(2)/s, 5.73 x 10(-7) cm(2)/s, and 3.45 x 10(-7) cm(2)/s, respectively, through a nanofabricated membrane. Theoretical modeling showed that a 96% reduction in the membrane's thickness and the application of an electric potential of 10 mV across the membrane could enhance the flux of endothelin, cystatin C, and interleukin - 6 by a factor of 25. A ΔpH of 0.07 altered the fluxes minimally. CONCLUSIONS: Nanofabricated hemodialysis membranes with a reduced thickness and an applied electric potential can enhance the effective diffusivity and electro-migration flux of the respective uremic toxins by 3 orders of magnitude as compared to those passing through the high flux hemodialyzer.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».