Multi-objective optimisation of material properties and strut geometry for poly(L-lactic acid) coronary stents using response surface methodology
Notice bibliographique
Résumé
Abstract Coronary stents for treating atherosclerosis are traditionally manufactured from metallic alloys. However, metal stents permanently reside in the body and may trigger undesirable immunological responses. Bioresorbable polymer stents can provide a temporary scaffold that resorbs once the artery heals but are mechanically inferior, requiring thicker struts for equivalent radial support, which may increase thrombosis risk. This study addresses the challenge of designing mechanically effective but sufficiently thin poly(L-lactic acid) stents through a computational approach that optimises material properties and stent geometry. Forty parametric stent designs were generated: cross-sectional area (post-dilation), foreshortening, stent-to-artery ratio and radial collapse pressure were evaluated computationally using finite element analysis. Response surface methodology was used to identify performance trade-offs by formulating relationships between design parameters and response variables. Multi-objective optimisation was used to identify suitable stent designs from approximated Pareto fronts and an optimal design is proposed that offers comparable performance to designs in clinical practice. In summary, a computational framework has been developed that has potential application in the design of high stiffness, thin strut polymeric stents that contend with the performance of their metallic counterparts.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 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 ».