MétaCan
Menu
Retour à la cohorte
Enregistrement W3177956364 · doi:10.1039/d1tb01075a

Tunable, conductive, self-healing, adhesive and injectable hydrogels for bioelectronics and tissue regeneration applications

2021· article· en· W3177956364 sur OpenAlexaff
Vineeta Panwar, Anand Babu, Anjana Sharma, Jijo Thomas, Vianni Chopra, Pinki Malik, Swati Rajput, Monika Mittal, Rajdeep Guha, Naibedya Chattopadhyay, Dipankar Mandal, Deepa Ghosh

Notice bibliographique

RevueJournal of Materials Chemistry B · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Sensor and Energy Harvesting Materials
Établissements canadiensASTER
Organismes subventionnairesScience and Engineering Research Board
Mots-clésBioelectronicsSelf-healing hydrogelsMaterials scienceSelf-healingNanotechnologyRegeneration (biology)AdhesiveConductive polymerElectrical conductorElectrically conductiveElectronicsPolymerComposite materialBiosensorPolymer chemistryEngineeringElectrical engineeringMedicine

Résumé

récupéré en direct d'OpenAlex

) in these gels is attributed to ionic conductivity. Very few conductive hydrogels are endowed with additional properties like injectability, adhesiveness and self-healing, which would help to widen their scope for applications. While the dynamic Schiff base coupling in our hydrogels facilitated self-healing and injectable properties, polydopamine imparted tissue adhesiveness. The porosity, rheological, mechanical and conductive properties of the hydrogels are regulated by the CMC-dialdehyde-polydopamine (CMC-D-PDA) content. The hydrogel was evaluated in various bioelectronics applications like ECG monitoring and triboelectric nanogenerators (TENG). The ability of the hydrogel to support cell growth and serve as a template for tissue regeneration was confirmed using in vitro and in vivo studies. In summary, the integration of such remarkable features in the ionic-conductive hydrogel would enable its usage in bioelectronics and biomedical applications.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,032
Score d'incertitude au seuil0,462

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,231
Écart entre enseignants0,222 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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

Citations42
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Materials Chemistry BMême sujetAdvanced Sensor and Energy Harvesting MaterialsTravaux en français237 207