MétaCan
Menu
Retour à la cohorte
Enregistrement W2952320529 · doi:10.1063/1.5024686

Automated reactive accelerated aging for rapid <i>in vitro</i> evaluation of neural implant performance

2018· article· en· W2952320529 sur OpenAlexfundno aff
Matthew G. Street, Cristin G. Welle, Pavel Takmakov

Notice bibliographique

RevueReview of Scientific Instruments · 2018
Typearticle
Langueen
DomaineNeuroscience
ThématiqueNeuroscience and Neural Engineering
Établissements canadiensnon disponible
Organismes subventionnairesDefense Advanced Research Projects AgencyMcMaster University
Mots-clésBrain implantComputer scienceNeural ProsthesisReliability engineeringMaterials scienceReliability (semiconductor)Biomedical engineeringDurabilityAccelerated agingArtificial intelligenceMedicinePower (physics)

Résumé

récupéré en direct d'OpenAlex

Novel therapeutic applications for neural implants require miniaturized devices. Miniaturization imposes stricter requirements for reliability of materials. Pilot clinical studies suggest that rapid failure of the miniaturized neural implants in the body presents a major challenge for this type of technology. Traditional evaluations of neural implant performance over clinically relevant durations present time- and resource-intensive experiments in animals. Reactive accelerated aging (RAA) is an in vitro test platform that was developed to expedite durability testing of neural implants, as a screening technique designed to simulate the aggressive physiological environment experienced by the implants. This approach employs hydrogen peroxide, which mimics reactive oxygen species, and a high temperature to accelerate chemical reactions that lead to device degradation similar to that found with devices implanted in vivo. The original RAA system required daily manual maintenance and was prone to variability in performance. To address these limitations, this work introduces automated reactive accelerated aging (aRAA) with closed-loop monitoring components that make the system simple, robust, and scalable. The core novel technology in the aRAA is electrochemical detection for feedback control of hydrogen peroxide concentration, implemented with simple off-the-shelf components. The aRAA can run multiple parallel experiments for high-throughput device testing and optimization. For this reason, the aRAA provides a simple tool for rapid in vitro evaluation of the durability of neural implants, ultimately expediting the development of a new generation of miniaturized devices with a long functional lifespan.

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)0,002
score de la tête « metaresearch » (Gemma)0,001
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 seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,088
Tête enseignante GPT0,346
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

Citations30
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueReview of Scientific InstrumentsMême sujetNeuroscience and Neural EngineeringTravaux en français237 207