MétaCan
Menu
Retour à la cohorte
Enregistrement W4380422444 · doi:10.1002/adma.202303301

Mechanoresponsive Drug Release from a Flexible, Tissue‐Adherent, Hybrid Hydrogel Actuator

2023· article· en· W4380422444 sur OpenAlexaff
Keegan Mendez, William Whyte, Benjamin R. Freedman, Yiling Fan, Claudia E. Varela, Manisha Singh, Juan C. Cintron-Cruz, Sandra E. Rothenbücher, Jianyu Li, David Mooney, Ellen T. Roche

Notice bibliographique

RevueAdvanced Materials · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Sensor and Energy Harvesting Materials
Établissements canadiensMcGill University
Organismes subventionnairesNational Institute of Dental and Craniofacial ResearchNational Heart, Lung, and Blood InstituteNational Institute on AgingNational Institutes of HealthMassachusetts Institute of Technology
Mots-clésActuatorMaterials scienceDrug deliverySoft roboticsBiomedical engineeringSelf-healing hydrogelsNanotechnologyComputer scienceEngineering

Résumé

récupéré en direct d'OpenAlex

Soft robotic technologies for therapeutic biomedical applications require conformal and atraumatic tissue coupling that is amenable to dynamic loading for effective drug delivery or tissue stimulation. This intimate and sustained contact offers vast therapeutic opportunities for localized drug release. Herein, a new class of hybrid hydrogel actuator (HHA) that facilitates enhanced drug delivery is introduced. The multi-material soft actuator can elicit a tunable mechanoresponsive release of charged drug from its alginate/acrylamide hydrogel layer with temporal control. Dosing control parameters include actuation magnitude, frequency, and duration. The actuator can safely adhere to tissue via a flexible, drug-permeable adhesive bond that can withstand dynamic device actuation. Conformal adhesion of the hybrid hydrogel actuator to tissue leads to improved mechanoresponsive spatial delivery of the drug. Future integration of this hybrid hydrogel actuator with other soft robotic assistive technologies can enable a synergistic, multi-pronged treatment approach for the treatment of disease.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,022
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,002

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 Opus0,011
Tête enseignante GPT0,238
Écart entre enseignants0,227 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations57
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvanced MaterialsMême sujetAdvanced Sensor and Energy Harvesting MaterialsTravaux en français237 207