Impact of Cosmetics on the Surface Properties of Silicone Hydrogel Contact Lenses
Notice bibliographique
Résumé
PURPOSE: This study evaluated the impact of various cosmetics on the surface properties of silicone hydrogel (SiHy) contact lens materials. METHODS: In this in vitro experiment, 7 SiHy contact lens materials were coated with 1 of 9 cosmetics, including common hand creams (3), eye makeup removers (3), and mascaras (3). Dark-field microscopy images were taken to determine pixel brightness (PB) after cosmetic exposure, which describes the visible surface deposition (n=6 for each lens type), with a higher PB indicating increased deposition. The sessile drop technique was used to determine the advancing contact angle (CA). Measurements were repeated for both methods after a single peroxide-based cleaning cycle. RESULTS: Pixel brightness was significantly higher for mascara-coated lenses compared with the other cosmetic products (P<0.01). The peroxide-based lens care solution removed most deposits from the nonwaterproof mascara for 4 lens types, whereas deposits remained relatively unchanged for 1 waterproof mascara (P>0.05). Hand creams and makeup remover had minimal impact on PB. Changes in CA measurements after cosmetic application were highly lens dependent. Hand creams caused primarily a decrease in CA for 5 of the 7 lens types, whereas 1 of the waterproof mascaras caused a significant increase of 30 to 50° for 3 lens types. CONCLUSION: Some mascara-lens combinations resulted in increased CA and PB, which could have an impact on in vivo lens performance. Nonwaterproof mascara was mostly removed after a cleaning cycle. Further research is needed to understand the clinical implications for SiHy lens wearers using cosmetics.
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 | 0,008 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».