MétaCan
Menu
Retour à la cohorte
Enregistrement W2940504419 · doi:10.1002/smll.201805530

3D Bioprinting in Skeletal Muscle Tissue Engineering

2019· review· en· W2940504419 sur OpenAlexaff
Serge Ostrovidov, Sahar Salehi, Marco Costantini, Kasinan Suthiwanich, Majid Ebrahimi, Ramin Banan Sadeghian, Toshinori Fujie, Xuetao Shi, Stefano Cannata, Cesare Gargioli, Ali Tamayol, Mehmet R. Dokmeci, Gorka Orive, Wojciech Święszkowski, Ali Khademhosseini

Notice bibliographique

RevueSmall · 2019
Typereview
Langueen
DomaineEngineering
Thématique3D Printing in Biomedical Research
Établissements canadiensUniversity of Toronto
Organismes subventionnairesNational Institute of Biomedical Imaging and BioengineeringNational Institutes of HealthNational Institute of Arthritis and Musculoskeletal and Skin DiseasesDeutsche ForschungsgemeinschaftNarodowe Centrum Badań i RozwojuSTART, Global Change System for Analysis, Research, and Training
Mots-clésTissue engineeringSkeletal muscleMaterials scienceBiomedical engineeringMuscle tissueNanotechnologyAnatomyEngineeringMedicine

Résumé

récupéré en direct d'OpenAlex

Skeletal muscle tissue engineering (SMTE) aims at repairing defective skeletal muscles. Until now, numerous developments are made in SMTE; however, it is still challenging to recapitulate the complexity of muscles with current methods of fabrication. Here, after a brief description of the anatomy of skeletal muscle and a short state-of-the-art on developments made in SMTE with "conventional methods," the use of 3D bioprinting as a new tool for SMTE is in focus. The current bioprinting methods are discussed, and an overview of the bioink formulations and properties used in 3D bioprinting is provided. Finally, different advances made in SMTE by 3D bioprinting are highlighted, and future needs and a short perspective are provided.

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 seuil0,015

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
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)0,0040,002

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 Opus0,056
Tête enseignante GPT0,320
Écart entre enseignants0,264 · 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

Citations290
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSmallMême sujet3D Printing in Biomedical ResearchTravaux en français237 207