MétaCan
Menu
Retour à la cohorte
Enregistrement W4383092825 · doi:10.1016/j.heliyon.2023.e17050

3D hydrogel/ bioactive glass scaffolds in bone tissue engineering: Status and future opportunities

2023· review· en· W4383092825 sur OpenAlexaff
Abdullah Aldhaher, Fahimeh Shahabipour, Abdullah Shaito, Saphwan Al‐Assaf, Ahmed A. M. Elnour, El Bashier Sallam, Shahin Teimourtash, Abdelgadir A. Elfadil

Notice bibliographique

RevueHeliyon · 2023
Typereview
Langueen
DomaineEngineering
ThématiqueBone Tissue Engineering Materials
Établissements canadiensMcMaster University
Organismes subventionnairesUniversiti Malaysia Pahang
Mots-clésTissue engineeringBioactive glassBiomedical engineeringSelf-healing hydrogelsMaterials scienceEngineeringChemical engineering

Résumé

récupéré en direct d'OpenAlex

Repairing significant bone defects remains a critical challenge, raising the clinical demand to design novel bone biomaterials that incorporate osteogenic and angiogenic properties to support the regeneration of vascularized bone. Bioactive glass scaffolds can stimulate angiogenesis and osteogenesis. In addition, natural or synthetic polymers exhibit structural similarity with extracellular matrix (ECM) components and have superior biocompatibility and biodegradability. Thus, there is a need to prepare composite scaffolds of hydrogels for vascularized bone, which incorporate to improve the mechanical properties and bioactivity of natural polymers. In addition, those composites' 3-dimensional (3D) form offer regenerative benefits such as direct doping of the scaffold with ions. This review presents a comprehensive discussion of composite scaffolds incorporated with BaG, focusing on their effects on osteo-inductivity and angiogenic properties. Moreover, the adaptation of the ion-doped hydrogel composite scaffold into a 3D scaffold for the generation of vascularized bone tissue is exposed. Finally, we highlight the challenges and future of manufacturing such biomaterials.

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)0,000
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 enseignants0,002
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,000
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 ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,040
Tête enseignante GPT0,269
Écart entre enseignants0,229 · 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

Citations50
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHeliyonMême sujetBone Tissue Engineering MaterialsTravaux en français237 207