MétaCan
Menu
Retour à la cohorte
Enregistrement W3215420422 · doi:10.1002/mabi.202100355

Electroresponsive Hydrogels for Therapeutic Applications in the Brain

2021· review· en· W3215420422 sur OpenAlexafffund
Zerin Mahzabin Khan, Emily M. Wilts, Eli Vlaisavljevich, Timothy E. Long, Scott S. Verbridge

Notice bibliographique

RevueMacromolecular Bioscience · 2021
Typereview
Langueen
DomaineNeuroscience
ThématiqueNeuroscience and Neural Engineering
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaNational Science Foundation
Mots-clésSelf-healing hydrogelsNeurogenesisBiocompatibilityNanotechnologyMaterials scienceBiomedical engineeringBiocompatible materialNeuroscienceComputer scienceMedicineBiology

Résumé

récupéré en direct d'OpenAlex

Electroresponsive hydrogels possess a conducting material component and respond to electric stimulation through reversible absorption and expulsion of water. The high level of hydration, soft elastomeric compliance, biocompatibility, and enhanced electrochemical properties render these hydrogels suitable for implantation in the brain to enhance the transmission of neural electric signals and ion transport. This review provides an overview of critical electroresponsive hydrogel properties for augmenting electric stimulation in the brain. A background on electric stimulation in the brain through electroresponsive hydrogels is provided. Common conducting materials and general techniques to integrate them into hydrogels are briefly discussed. This review focuses on and summarizes advances in electric stimulation of electroconductive hydrogels for therapeutic applications in the brain, such as for controlling delivery of drugs, directing neural stem cell differentiation and neurogenesis, improving neural biosensor capabilities, and enhancing neural electrode-tissue interfaces. The key challenges in each of these applications are discussed and recommendations for future research are also provided.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
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 enseignants0,004
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,003

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 Opus0,065
Tête enseignante GPT0,364
Écart entre enseignants0,299 · 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

Citations35
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueMacromolecular BioscienceMême sujetNeuroscience and Neural EngineeringTravaux en français237 207