MétaCan
Menu
Retour à la cohorte
Enregistrement W2911919656 · doi:10.1002/jbm.b.34312

A “best fit” approach for synergistic surface parameters to guide the design of candidate implant surfaces

2019· article· en· W2911919656 sur OpenAlexafffund
Birol Ay, Vanessa C. Mendes, Li Zhang, John E. Davies

Notice bibliographique

RevueJournal of Biomedical Materials Research Part B Applied Biomaterials · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueBone Tissue Engineering Materials
Établissements canadiensUniversity of Toronto
Organismes subventionnairesNational Institutes of HealthUniversity of TorontoHealth Research Board
Mots-clésMaterials scienceLacunarityTitaniumImplantSurface roughnessTitanium alloyOsseointegrationBiomedical engineeringComposite materialFractal dimensionAlloyMetallurgy

Résumé

récupéré en direct d'OpenAlex

Human bone resorption surfaces can provide a template for endosseous implant surface design. We characterized the topography of such sites using four synergistic parameters (fractal dimension, lacunarity, porosity, and surface roughness) and compared the generated values with those obtained from two groups of candidate titanium implant surfaces. For the first group (n = 5/group): grit-blasted acid etched (BAE), BAE with either discrete calcium phosphate crystal deposition or nanotube formation, machined titanium with nanotubes, or a nanofiber surface; each measured synergistic parameter was statistically compared with that of the resorbed bone surface and scored for inclusion in a "best fit" analysis. The analysis informed changes that could be made to a candidate implant surface to render it a closer "best fit" to that of the resorbed bone surface. In a second group of either titanium or titanium alloy implants their micro-topography, created by dual acid etching, was the same for each material substrate; but their nanotopographic complexity was changed by varying the degree of calcium phosphate crystalline deposits. These implants were also used in vivo where bone anchorage was tested using a tensile disruption test; and the "best fit" of synergistic parameters coincided with the best biological outcome for both titanium and titanium alloy implants. In conclusion, the four chosen synergistic parameters can be used to guide the sub-micron surface design of candidate implants, and our "best fit" approach is capable of identifying the surfaces with the best biological outcomes. © 2019 Wiley Periodicals, Inc. J Biomed Mater Res Part B: Appl Biomater 107B: 2165-2177, 2019.

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)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,061
Tête enseignante GPT0,320
Écart entre enseignants0,259 · 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'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

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

En bref

Citations4
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Biomedical Materials Research Part B Applied BiomaterialsMême sujetBone Tissue Engineering MaterialsTravaux en français237 207