MétaCan
Menu
Retour à la cohorte
Enregistrement W2279126740 · doi:10.1002/adhm.201500517

Textile Technologies and Tissue Engineering: A Path Toward Organ Weaving

2016· review· en· W2279126740 sur OpenAlexaff
Mohsen Akbari, Ali Tamayol, Sara Bagherifard, Ludovic Serex, Pooria Mostafalu, Negar Faramarzi, Mohammad Hossein Mohammadi, Ali Khademhosseini

Notice bibliographique

RevueAdvanced Healthcare Materials · 2016
Typereview
Langueen
DomaineMaterials Science
ThématiqueElectrospun Nanofibers in Biomedical Applications
Établissements canadiensUniversity of Victoria
Organismes subventionnairesNational Institute of Biomedical Imaging and BioengineeringNational Institute of Arthritis and Musculoskeletal and Skin DiseasesNational Institute of Dental and Craniofacial ResearchOffice of Naval ResearchNational Heart, Lung, and Blood InstitutePolitecnico di MilanoDivision of Emerging Frontiers in Research and InnovationNational Institutes of HealthNational Science Foundation
Mots-clésBiofabricationWeavingTextileTissue engineeringComputer scienceEngineeringMaterials scienceManufacturing engineeringNanotechnologyMechanical engineeringBiomedical engineeringComposite material

Résumé

récupéré en direct d'OpenAlex

Textile technologies have recently attracted great attention as potential biofabrication tools for engineering tissue constructs. Using current textile technologies, fibrous structures can be designed and engineered to attain the required properties that are demanded by different tissue engineering applications. Several key parameters such as physiochemical characteristics of fibers, microarchitecture, and mechanical properties of the fabrics play important roles in the effective use of textile technologies in tissue engineering. This review summarizes the current advances in the manufacturing of biofunctional fibers. Different textile methods such as knitting, weaving, and braiding are discussed and their current applications in tissue engineering are highlighted.

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)0,001
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 enseignants0,003
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,002

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 Opus0,021
Tête enseignante GPT0,334
Écart entre enseignants0,313 · 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

Citations210
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvanced Healthcare MaterialsMême sujetElectrospun Nanofibers in Biomedical ApplicationsTravaux en français237 207