MétaCan
Menu
Retour à la cohorte
Enregistrement W4200014322 · doi:10.3390/ma15010165

Electrical Stimulation and Cellular Behaviors in Electric Field in Biomedical Research

2021· review· en· W4200014322 sur OpenAlexaff
Shiyun Meng, Mahmoud Rouabhia, Ze Zhang

Notice bibliographique

RevueMaterials · 2021
Typereview
Langueen
DomaineNeuroscience
ThématiqueNeuroscience and Neural Engineering
Établissements canadiensUniversité Laval
Organismes subventionnairesnon disponible
Mots-clésRegenerative medicineNanotechnologyNeuroscienceStimulationPrincipal (computer security)Computer scienceBiochemical engineeringField (mathematics)Stem cellMedicineBiomedical engineeringMaterials scienceBiologyEngineeringCell biology

Résumé

récupéré en direct d'OpenAlex

Research on the cellular response to electrical stimulation (ES) and its mechanisms focusing on potential clinic applications has been quietly intensified recently. However, the unconventional nature of this methodology has fertilized a great variety of techniques that make the interpretation and comparison of experimental outcomes complicated. This work reviews more than a hundred publications identified mostly from Medline, categorizes the techniques, and comments on their merits and weaknesses. Electrode-based ES, conductive substrate-mediated ES, and noninvasive stimulation are the three principal categories used in biomedical research and clinic. ES has been found to enhance cell proliferation, growth, migration, and stem cell differentiation, showing an important potential in manipulating cellular activities in both normal and pathological conditions. However, inappropriate parameters or setup can have negative effects. The complexity of the delivered electric signals depends on how they are generated and in what form. It is also difficult to equate one set of parameters with another. Mechanistic studies are rare and badly needed. Even so, ES in combination with advanced materials and nanotechnology is developing a strong footing in biomedical research and regenerative medicine.

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)0,001
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
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,004
Études des sciences et des technologies0,0000,002
Communication savante0,0020,003
Science ouverte0,0010,001
Intégrité de la recherche0,0020,003
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 Opus0,155
Tête enseignante GPT0,427
Écart entre enseignants0,272 · 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

Citations51
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMaterialsMême sujetNeuroscience and Neural EngineeringTravaux en français237 207