Relative contributions of implant hydrophilicity and nanotopography to implant anchorage in bone at Early Time Points
Notice bibliographique
Résumé
Abstract Objective To compare the contributions of implant hydrophilicity and nanotopography on anchorage in bone. The effect of elevated calcium surface chemistry on bone anchorage was also investigated. Materials and Methods A full factorial study design was implemented to evaluate the effects of ultraviolet (UV) light and/or sodium lactate (SL) and discrete crystalline deposition of nanocrystals (DCD) treatments on the osseointegration of dual acid‐etched (AE) titanium alloy (Ti6Al4V) and grit blasted and AE (BAE) commercially pure titanium (CpTi) implants. Sodium hydroxide (NaOH)‐treated CpTi implants were immersed in simulated body fluid (SBF) to increase calcium surface chemistry. Implants were placed in the femora of Wistar rats and tested using pull‐out testing (BAE implants: 5, 9, 14 days) or tensile testing (AE implants: 9 days, NaOH implants: 28 days). Results Ti6Al4V‐AE implants with DCD‐ and UV‐treated surfaces significantly increased bone anchorage compared with untreated Ti6Al4V‐AE alloy implants. Pull‐out testing of BAE‐CpTi implants with the DCD treatment showed increased disruption force values compared with surfaces without the DCD treatment at 5, 9 and 14 days by 4.1N, 13.9N and 15.5N, respectively, and UV‐treated implants showed an increase at 14 days by 8.4N. No difference was found between NaOH + SBF and NaOH + H 2 O groups. Conclusions Bone anchorage of implants was found to be improved by UV‐treating implants or nanotopographically complex surfaces. However, implant nanotopography was found to have a greater contribution to the overall bone anchorage and is more consistent compared with the time‐dependent nature of the UV treatment.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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.
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 ».