Exploring the Use of Animal Models in Craniofacial Regenerative Medicine: A Narrative Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The craniofacial region contains skin, bones, cartilage, the temporomandibular joint (TMJ), teeth, periodontal tissues, mucosa, salivary glands, muscles, nerves, and blood vessels. Applying tissue engineering therapeutically helps replace lost tissues after trauma or cancer. Despite recent advances, it remains essential to standardize and validate the most appropriate animal models to effectively translate preclinical data to clinical situations. Therefore, this review focused on applying various animal models in craniofacial tissue engineering and regeneration. This research was based on PubMed, Scopus, and Google Scholar data available until January 2023. This study included only English-language publications describing animal models' application in craniofacial tissue engineering ( in vivo and review studies). Study selection was based on evaluating titles, abstracts, and full texts. The total number of initial studies was 6454. Following the screening process, 295 articles remained on the final list. Numerous in vivo studies have shown that small and large animal models can benefit clinical conditions by assessing the efficacy and safety of new therapeutic interventions, devices, and biomaterials in animals with similar diseases/defects to humans. Different species' anatomical, physiologic, and biological features must be considered in developing innovative, reproducible, and discriminative experimental models to select an appropriate animal model for a specific tissue defect. As a result, understanding the parallels between human and veterinary medicine can benefit both fields.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,001 |
| Bibliométrie | 0,000 | 0,003 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle