MétaCan
Menu
Retour à la cohorte
Enregistrement W4309668385 · doi:10.3390/jfb13040249

Collagen as a Biomaterial for Skin and Corneal Wound Healing

2022· review· en· W4309668385 sur OpenAlexafffund
Renáta Sklenářová, Naoufal Akla, Meagan Jade Latorre, Jitka Ulrichová, Jana Franková

Notice bibliographique

RevueJournal of Functional Biomaterials · 2022
Typereview
Langueen
DomaineMedicine
ThématiqueWound Healing and Treatments
Établissements canadiensUniversité de MontréalHôpital Maisonneuve-Rosemont
Organismes subventionnairesUniverzita Palackého v OlomouciUniversité de Montréal
Mots-clésWound healingExtracellular matrixMyofibroblastBiomaterialConnective tissueSelf-healing hydrogelsBiomedical engineeringMaterials scienceCorneaTissue engineeringSkin repairRegeneration (biology)Cell biologyPathologyMedicineFibrosisSurgeryBiologyOphthalmology

Résumé

récupéré en direct d'OpenAlex

The cornea and the skin are two organs that form the outer barrier of the human body. When either is injured (e.g., from surgery, physical trauma, or chemical burns), wound healing is initiated to restore integrity. Many cells are activated during wound healing. In particular, fibroblasts that are stimulated often transition into repair fibroblasts or myofibroblasts that synthesize extracellular matrix (ECM) components into the wound area. Control of wound ECM deposition is critical, as a disorganized ECM can block restoration of function. One of the most abundant structural proteins in the mammalian ECM is collagen. Collagen type I is the main component in connective tissues. It can be readily obtained and purified, and short analogs have also been developed for tissue engineering applications, including modulating the wound healing response. This review discusses the effect of several current collagen implants on the stimulation of corneal and skin wound healing. These range from collagen sponges and hydrogels to films and membranes.

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 enseignants0,003
Score d'incertitude au seuil0,012

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
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,002

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 Opus0,129
Tête enseignante GPT0,390
Écart entre enseignants0,261 · 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

Citations74
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Functional BiomaterialsMême sujetWound Healing and TreatmentsTravaux en français237 207