MétaCan
Menu
Retour à la cohorte
Enregistrement W2229865560 · doi:10.1088/1748-6041/10/3/034004

Biomaterial based cardiac tissue engineering and its applications

2015· review· en· W2229865560 sur OpenAlexafffund
Locke Davenport Huyer, Miles Montgomery, Yimu Zhao, Yun Xiao, Genevieve Conant, Anastasia Korolj, Milica Radisic

Notice bibliographique

RevueBiomedical Materials · 2015
Typereview
Langueen
DomaineMedicine
ThématiqueTissue Engineering and Regenerative Medicine
Établissements canadiensUniversity of Toronto
Organismes subventionnairesNational Heart, Lung, and Blood InstituteCanadian Institutes of Health ResearchNational Institutes of HealthNatural Sciences and Engineering Research Council of CanadaHeart and Stroke Foundation of Canada
Mots-clésBiomaterialTissue engineeringRegenerative medicineMyocardial infarctionBiomedical engineeringCardiac cellCoronary artery diseaseCardiologyMedicineStem cellInternal medicineBiologyCell biology

Résumé

récupéré en direct d'OpenAlex

Cardiovascular disease is a leading cause of death worldwide, necessitating the development of effective treatment strategies. A myocardial infarction involves the blockage of a coronary artery leading to depletion of nutrient and oxygen supply to cardiomyocytes and massive cell death in a region of the myocardium. Cardiac tissue engineering is the growth of functional cardiac tissue in vitro on biomaterial scaffolds for regenerative medicine application. This strategy relies on the optimization of the complex relationship between cell networks and biomaterial properties. In this review, we discuss important biomaterial properties for cardiac tissue engineering applications, such as elasticity, degradation, and induced host response, and their relationship to engineered cardiac cell environments. With these properties in mind, we also emphasize in vitro use of cardiac tissues for high-throughput drug screening and disease modelling.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,003

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.

Tête enseignante Opus0,042
Tête enseignante GPT0,342
Écart entre enseignants0,300 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations144
Publié2015
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueBiomedical MaterialsMême sujetTissue Engineering and Regenerative MedicineTravaux en français237 207