MétaCan
Menu
Retour à la cohorte
Enregistrement W3158479894 · doi:10.1016/j.jamcollsurg.2021.01.020

Method, Material, and Machine: A Review for the Surgeon Using Three-Dimensional Printing for Accelerated Device Production

2021· review· en· W3158479894 sur OpenAlexaff
Helen Xun, Scott T. Clarke, Nusaiba Baker, Christopher Shallal, Erica Lee, Darya Fadavi, Alison Wong, Gerald Brandacher, Sung Hoon Kang, Justin M. Sacks

Notice bibliographique

RevueJournal of the American College of Surgeons · 2021
Typereview
Langueen
DomaineEngineering
ThématiqueAnatomy and Medical Technology
Établissements canadiensDalhousie University
Organismes subventionnairesWhiting School of Engineering, Johns Hopkins UniversityNational Science Foundation
Mots-clésMedicineProduction (economics)Biomedical engineeringSurgeryEngineering drawing

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Physicians are at the forefront of identifying innovative targets to address current medical needs. 3D printing technology has emerged as a state-of-the-art method of prototyping medical devices or producing patient-specific models that is more cost-efficient, with faster turnaround time, in comparison to traditional prototype manufacturing. However, initiating 3D printing projects can be daunting due to the engineering learning curve, including the number of methodologies, variables, and techniques for printing from which to choose. To help address these challenges, we sought to create a guide for physicians interested in venturing into 3D printing. STUDY DESIGN: All commercially available, plug-and-play, material and stereolithography printers costing less than $15,000 were identified via web search. Companies were contacted to obtain quotes and information sheets for all printer models. The qualifying printers' manufacturer specification sheets were reviewed, and pertinent variables were extracted. RESULTS: We reviewed 309 commercially available printers and materials and identified 118 printers appropriate for clinicians desiring plug-and-play models for accelerated device production. We synthesized this information into a decision-making tool to choose the appropriate parameters based on project goals. CONCLUSIONS: There is a growing clinical need for medical devices to reduce costs of care and increase access to personalized treatments; however, the learning curve may be daunting for surgeons. In this review paper, we introduce the "3Ms of 3D printing" for medical professionals and provide tools and data sheets for selection of commercially available, affordable, plug-and-play 3D printers appropriate for surgeons interested in innovation.

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)0,005
score de la tête « metaresearch » (Gemma)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,026

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,010
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0080,006
Études des sciences et des technologies0,0010,002
Communication savante0,0030,004
Science ouverte0,0020,001
Intégrité de la recherche0,0030,003
Charge utile insuffisante (le modèle a refusé de juger)0,0050,003

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 Opus0,076
Tête enseignante GPT0,352
Écart entre enseignants0,276 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations20
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of the American College of SurgeonsMême sujetAnatomy and Medical TechnologyTravaux en français237 207