mSLA-based 3D printing of acrylated epoxidized soybean oil - nano-hydroxyapatite composites for bone repair
Notice bibliographique
Résumé
Structural bone allografts are used to treat critically sized segmental bone defects (CSBDs) as such defects are too large to heal naturally. Development of biomaterials with competent mechanical properties that can also facilitate new bone formation is a major challenge for CSBD repair. 3D printed synthetic bone grafts are a possible alternative to structural allografts if engineered to provide appropriate structure with sufficient mechanical properties. In this work, we fabricated a set of novel nanocomposite biomaterials consisting of acrylated epoxidized soybean oil (AESO), polyethylene glycol diacrylate (PEGDA) and nanohydroxyapatite (nHA) by using masked stereolithography (mSLA)-based 3D printing. The nanocomposite inks possess suitable rheological properties and good printability to print complex, anatomically-precise, ‘by design’ grafts. The addition of nHA to the AESO/PEGDA resin improved the tensile strength and fracture toughness of the mSLA printed nanocomposites, presumably due to small-scale reinforcement. By adding 10 vol% nHA, tensile strength, modulus and fracture toughness (KIc) were increased to 30.8 ± 1.2 MPa (58% increase), 1984.4 ± 126.7 MPa (144% increase) and 0.6 ± 0.1 MPa·m1/2 (42% increase), respectively (relative to the pure resin). The nanocomposites did not demonstrate significant hydrolytic, enzymatic or oxidative degradation when incubated for 28 days, assuring chemical and mechanical stability at early stages of implantation. Apatite nucleated and covered the nanocomposite surfaces within 7 days of incubation in simulated body fluid. Good viability and proliferation of differentiated MC3T3-E1 osteoblasts were also observed on the nanocomposites. Taken all together, our nanocomposites demonstrate excellent bone-bioactivity and potential for bone defect repair.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».