Imaging fluid injections into soft biological tissue to extract permeability model parameters
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
One of the most common health care procedures is injecting fluids, in the form of drugs and vaccines, into our bodies, and hollow microneedles are emerging medical devices that deliver such fluids into the skin. Fluid injection into the skin through microneedles is advantageous because of improved patient compliance and the dose sparing effect for vaccines. Since skin tissue is a deformable porous medium, injecting fluid into the skin involves a coupled interaction between the injected fluid flow and the deformation of the soft porous matrix of skin tissue. Here, we introduce a semiempirical model that describes the fluid transport through skin tissue based on experimental data and constitutive equations of flow through biological tissue. Our model assumes that fluid flows radially outward and tissue deformation varies spherically from the microneedle tip. The permeability of tissue, assumed to be initially homogeneous, varies as a function of volumetric strain in the tissue based on a two-parameter exponential relationship. The model is optimized to extract two macroscopic parameters, k0 and m, for each of the seven experiments on excised porcine skin, using a radial form of Darcy’s law, the two-parameter exponential dependence of permeability on strain, and the experimental data on fluid flow recorded by a flow sensor and tissue deformation captured in real time using optical coherence tomography. The fluid flow estimated by the permeability model with optimized macroscopic parameters matches closely with the recorded flow rate, thus validating our semiempirical model.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 0,001 |
| 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 découle