MétaCan
Menu
Retour à la cohorte
Enregistrement W3176590917 · doi:10.1136/bmjstel-2021-000868

3D printed ascending aortic simulators with physiological fidelity for surgical simulation

2021· article· en· W3176590917 sur OpenAlexaff
Ali Alakhtar, Alexander Emmott, Cornelius Hart, Rosaire Mongrain, Richard L. Leask, Kevin Lachapelle

Notice bibliographique

RevueBMJ Simulation & Technology Enhanced Learning · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueAortic aneurysm repair treatments
Établissements canadiensMcGill University Health CentreMcGill University
Organismes subventionnairesnon disponible
Mots-clésStiffnessMaterials scienceUltimate tensile strength3d printedBiomedical engineeringBending stiffnessTensile testingComposite materialMedicine

Résumé

récupéré en direct d'OpenAlex

Introduction: Three-dimensional (3D) printed multimaterial ascending aortic simulators were created to evaluate the ability of polyjet technology to replicate the distensibility of human aortic tissue when perfused at physiological pressures. Methods: Simulators were developed by computer-aided design and 3D printed with a Connex3 Objet500 printer. Two geometries were compared (straight tube and idealised aortic aneurysm) with two different material variants (TangoPlus pure elastic and TangoPlus with VeroWhite embedded fibres). Under physiological pressure, β Stiffness Index was calculated comparing stiffness between our simulators and human ascending aortas. The simulators' material properties were verified by tensile testing to measure the stiffness and energy loss of the printed geometries and composition. Results: The simulators' geometry had no effect on measured β Stiffness Index (p>0.05); however, β Stiffness Index increased significantly in both geometries with the addition of embedded fibres (p<0.001). The simulators with rigid embedded fibres were significantly stiffer than average patient values (41.8±17.0, p<0.001); however, exhibited values that overlapped with the top quartile range of human tissue data suggesting embedding fibres can help replicate pathological human aortic tissue. Biaxial tensile testing showed that fiber-embedded models had significantly higher stiffness and energy loss as compared with models with only elastic material for both tubular and aneurysmal geometries (stiffness: p<0.001; energy loss: p<0.001). The geometry of the aortic simulator did not statistically affect the tensile tested stiffness or energy loss (stiffness: p=0.221; energy loss: p=0.713). Conclusion: We developed dynamic ultrasound-compatible aortic simulators capable of reproducing distensibility of real aortas under physiological pressures. Using 3D printed composites, we are able to tune the stiffness of our simulators which allows us to better represent the stiffness variation seen in human tissue. These models are a step towards achieving better simulator fidelity and have the potential to be effective tools for surgical training.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 Opus0,028
Tête enseignante GPT0,365
Écart entre enseignants0,336 · 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'étudeSimulation ou modélisation
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

Citations5
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBMJ Simulation & Technology Enhanced LearningMême sujetAortic aneurysm repair treatmentsTravaux en français237 207