Low Density Lipoprotein and Non-Newtonian Oscillating Flow Biomechanical Parameters for Normal Human Aorta
Notice bibliographique
Résumé
BACKGROUND: The temporal variation of the hemodynamic mechanical parameters during cardiac pulse wave is considered as an important atherogenic factor. Applying non-Newtonian blood molecular viscosity simulation is crucial for hemodynamic analysis. Understanding low density lipoprotein (LDL) distribution in relation to flow parameters will possibly spot the prone to atherosclerosis aorta regions. METHODS: The biomechanical parameters tested were averaged wall shear stress (AWSS), oscillatory shear index (OSI) and relative residence time (RRT) in relation to the LDL concentration. Four non-Newtonian molecular viscosity models and the Newtonian one were tested for the normal human aorta under oscillating flow. The analysis was performed via computational fluid dynamic. RESULTS: Tested viscosity blood flow models for the biomechanical parameters yield a consistent aorta pattern. High OSI and low AWSS develop at the concave aorta regions. This is most noticeable in downstream flow region of the left subclavian artery and at concave ascending aorta. Concave aorta regions exhibit high RRT and elevated LDL. For the concave aorta site, the peak LDL value is 35.0% higher than its entrance value. For the convex site, it is 18.0%. High LDL endothelium regions located at the aorta concave site are well predicted with high RRT. CONCLUSIONS: We are in favor of using the non-Newtonian power law model for analysis. It satisfactorily approximates the molecular viscosity, WSS, OSI, RRT and LDL distribution. Concave regions are mostly prone to atherosclerosis. The flow biomechanical factor RRT is a relatively useful tool for identifying the localization of the atheromatic plaques of the normal human aorta.
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 | 0,001 | 0,001 |
| 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 ».