Engineering surgical stitches to prevent bacterial infection
Notice bibliographique
Résumé
Abstract Surgical site infections (SSIs) account for a massive economic, physiological, and psychological burden on patients and health care providers. Sutures provide a surface to which bacteria can adhere, proliferate, and promote SSIs. Current methods for fighting SSIs involve the use of sutures coated with common antibiotics (triclosan). Unfortunately, these antibiotics have been rendered ineffective due to the increasing rate of antibiotic resistance. A promising new avenue involves the use of metallic nanoparticles (MNPs). MNPs exhibit low cytotoxicity and a strong propensity for killing bacteria while evading the typical antibiotic resistance mechanisms. In this work, we developed a novel MNPs dip-coating method for PDS-II sutures and explored the capabilities of a variety of MNPs in killing bacteria while retaining the cytocompatibility. Our findings indicated that our technique provided a homogeneous coating for PDS-II sutures, maintaining the strength, structural integrity, and degradability. The MNP coatings possess strong in vitro antibacterial properties against P aeruginosa and S. aureus —varying the %of dead bacteria from ~ 40% (for MgO NPs) to ~ 90% (for Fe 2 O 3 ) compared to ~ 15% for uncoated PDS-II suture, after 7 days. All sutures demonstrated minimal cytotoxicity (cell viability > 70%) reinforcing the movement towards the use MNPs as a viable antibacterial technology.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,002 | 0,001 |
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.
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 ».