Physicochemical and biological properties of dental materials and formulations with silica nanoparticles: A narrative review
Notice bibliographique
Résumé
OBJECTIVE: Silica nanoparticles (SNPs) have been extensively studied and used in different dental applications to promote improved physicochemical properties, high substance loading efficiency, in addition to sustained delivery of substances for therapeutic or preventive purposes. Therefore, this study aimed to review the SNPs applications in nanomaterials and nanoformulations in dentistry, discussing their effect on physicochemical properties, biocompatibility and ability to nanocarry bioactive substances. DATA RESOURCES: Literature searches were conducted on PubMed, Web of Science, and Scopus databases to identify studies examining the physicochemical and biological properties of dental materials and formulations containing SNPs. Data extraction was performed by one reviewer and verified by another STUDY SELECTION: A total of 50 were reviewed. In vitro studies reveal that SNPs improved the general properties of dental materials and formulations, such as microhardness, fracture toughness, flexural strength, elastic modulus and surface roughness, in addition to acting as efficient nanocarriers of substances, such as antimicrobial, osteogenic and remineralizing substances, and showed biocompatibility CONCLUSIONS: SNPs are biocompatible, improve properties of dental materials and serve as effective carriers for bioactive substances CLINICAL SIGNIFICANCE: Overall, SNPs are a promising drug delivery system that can improve dental materials biological and physicochemical and aesthetic properties, increasing their longevity and clinical performance. However, more studies are needed to elucidate SNPs short- and long-term effects in the oral cavity, mainly on in vivo and clinical studies, to prove their effectiveness and safety.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».