MétaCan
Menu
Retour à la cohorte
Enregistrement W4399215110 · doi:10.1177/22808000241257124

Effects of composition and pH on the degradation of hyaluronate and carboxymethyl cellulose gels and release of nanocrystalline silver

2024· article· en· W4399215110 sur OpenAlexafffund
C. Ward, Payton E. LeBlanc, Robert Burrell

Notice bibliographique

RevueJournal of Applied Biomaterials & Functional Materials · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueSurgical Sutures and Adhesives
Établissements canadiensUniversity of Alberta
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésCarboxymethyl celluloseViscosityAqueous solutionPolymerChemistryMaterials scienceSodiumChemical engineeringNuclear chemistryPolymer chemistryComposite materialOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Adhesions are fibrous tissue connections which are a common complication of surgical procedures and may be prevented by protecting tissue surfaces and reducing inflammation. The combination of biodegradable polymers and nanocrystalline silver can be used to create an anti-inflammatory gel to be applied during surgery. In this study, sodium hyaluronate and sodium carboxymethyl cellulose were added in concentrations from 0.25% to 1% w/v to aqueous nanocrystalline silver solutions to create viscous gels. Gels were loaded into dialysis cassettes and placed in PBS for 3 days. pH was adjusted using potassium phosphate monobasic and sodium hydroxide. Release of silver into the PBS was measured at several time points. Polymer degradation was compared by measuring the viscosity of the gels before and after the experiment. Gels lost up to 84% of initial viscosity over 3 days and released between 24% and 41% of the added silver. Gels with higher initial viscosity did not have a greater degree of degradation, as measured by percent viscosity reduction, but still resulted in a higher final viscosity. Silver release was not significantly impacted by pH or composition, but still varied between experimental groups.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
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 enseignants0,009
Score d'incertitude au seuil0,338

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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)0,0000,000

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,217
Écart entre enseignants0,208 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations0
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Applied Biomaterials & Functional MaterialsMême sujetSurgical Sutures and AdhesivesTravaux en français237 207