Tetracycline Impregnation Delays Collagen Membrane Degradation In Vivo
Notice bibliographique
Résumé
BACKGROUND: Guided tissue and bone regeneration using bioabsorbable collagen membranes is a common practice. Collagen promotes progenitor cell adhesion, chemotaxis, homeostasis, and physiologic degradation with low immunogenicity, which makes it an ideal material for barrier preparation. Collagen membranes have to maintain integrity for a proper time, thus ensuring successful cell exclusion. Early collagen membrane degradation is detrimental for the success of regenerative procedures. This in vivo study was conducted to evaluate the effect of soaking collagen membranes in different tetracycline hydrochloride (TCN) concentration solutions on its degradation. METHODS: Five mm disks of collagen membrane were soaked in either 100 mg/ml TCN (group 100) or 50 mg/ml TCN (group 50); a group of non-treated disks served as controls. All disks were labeled with aminohexanoyl-biotin-N-hydroxy-succinimide ester (biotin) and implanted in rat calvaria bone. Block sections were taken after 3 weeks and histological slides stained with horseradish peroxidase (HRP) to detect remnants of biotinylated collagen. Staining intensity was analyzed by image-analysis software taking quadruplicate measurements of a 500 microm2 area each. Data were analyzed using analysis of variance (ANOVA) with repeated measures and paired t test with Bonferroni correction. RESULTS: Staining intensity of membranes in group 100 was > 5-fold higher than the control while group 50 exhibited > 11-fold higher intensity than the control and > 2.5-fold higher than the 100. All of these differences were statistically significant (P < 0.001). CONCLUSION: Soaking collagen membranes in 50 mg/ml TCN solution is a useful, practical, and simple tool to slow membrane degradation.
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 ».