Review of nano‐technology applications in <scp>resin‐based</scp> restorative materials
Notice bibliographique
Résumé
OBJECTIVE: Nanotechnology has progressed significantly and particles as small as 3 nm are being employed in resin-based restorative materials to improve clinical performance. The goal of this review is to report the progress of nanotechnology in Restorative Dentistry by reviewing the advantages, limitations, and applications of resin-based restorative materials with nanoparticles. MATERIALS AND METHODS: A literature review was conducted using PubMed/Medline, Scopus and Embase databases. In vitro, in vivo and in situ research studies published in English between 1999 and 2020, and which focused on the analysis of resin-based restorative materials containing nanoparticles were included. RESULTS: A total of 140 studies were included in this review. Studies reported the effect of incorporating different types of nanoparticles on adhesive systems or resin composites. Mechanical, physical, and anti-bacterial properties were described. The clinical performance of resin-based restorative materials with nanoparticles was also reported. CONCLUSIONS: The high surface area of nanoparticles exponentially increases the bioactivity of materials using bioactive nanofillers. However, the tendency of nanoparticles to agglomerate, the chemical instability of the developed materials and the decline of rheological properties when high ratios of nanoparticles are employed are some of the obstacles to overcome in the near future. CLINICAL SIGNIFICANCE: In spite of the recent advancements of nanotechnology in resin-based restorative materials, some challenges need to be overcome before new nano-based restorative materials are considered permanent solutions to clinical problems.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».