Lab-on-a-chip models of cardiac inflammation
Notice bibliographique
Résumé
Cardiovascular diseases are the leading cause of morbidity and mortality worldwide with numerous inflammatory cell etiologies associated with impaired cardiac function and heart failure. Inflammatory cardiomyopathy, also known as myocarditis, is an acquired cardiomyopathy characterized by inflammatory cell infiltration into the myocardium with a high risk of progression to deteriorated cardiac function. Recently, amidst the ongoing COVID-19 pandemic, the emergence of acute myocarditis as a complication of SARS-CoV-2 has garnered significant concern. Given its mechanisms remain elusive in conjunction with the recent withdrawal of previously FDA-approved antiviral therapeutics and prophylactics due to unexpected cardiotoxicity, there is a pressing need for human-mimetic platforms to investigate disease pathogenesis, model dysfunctional features, and support pre-clinical drug screening. Traditional in vitro models for studying cardiovascular diseases have inherent limitations in recapitulating the complexity of the in vivo microenvironment. Heart-on-a-chip technologies, combining microfabrication, microfluidics, and tissue engineering techniques, have emerged as a promising approach for modeling inflammatory cardiac diseases like myocarditis. This review outlines the established and emerging conditions of inflamed myocardium, identifying key features essential for recapitulating inflamed myocardial structure and functions in heart-on-a-chip models, highlighting recent advancements, including the integration of anisotropic contractile geometry, cardiomyocyte maturity, electromechanical functions, vascularization, circulating immunity, and patient/sex specificity. Finally, we discuss the limitations and future perspectives necessary for the clinical translation of these advanced technologies.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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.
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 ».