Silver Nanoparticles–Chitosan Nanocomposites as Protective Coatings for Dental Remineralization Treatment: An In Vitro Study
Notice bibliographique
Résumé
Research with nanoparticles for the treatment and prevention of dental caries is of special interest given the high prevalence of the disease worldwide. Several studies support the use of nanoparticles associated with materials given their antimicrobial properties and potential demineralization reduction. This study aimed to evaluate the impact of the application of silver nanoparticles (AgNPs) and chitosan gel in combination with commercial fluoride varnish on the remineralization of dental enamel. Ninety-six tooth blocks were macroscopically evaluated via stereomicroscopy, ICDAS II, and laser fluorescence. Enamel blocks were subjected to artificial demineralization and divided into four exposure groups (24, 48, 120, and 168 h), and five different remineralizing agents were applied, namely, FV (fluoride varnish), FV + CG (fluoride varnish + chitosan gel), FV + AgNPs (fluoride varnish + AgNPs), FV + AgNPs + CG (fluoride varnish + AgNPs + chitosan gel), and AgNPs + CG (AgNPs + chitosan gel). Enamel surface changes were evaluated via laser fluorescence, X-ray diffraction, scanning electron microscopy, and energy-dispersive X-ray spectroscopy. Laser fluorescence results obtained from demineralized blocks and subsequently exposed to remineralizing treatment indicate significant differences. After exposure to remineralizing agents, hydroxyapatite and modified apatite phases were identified mainly in the samples treated with FV + AgNPs + CG in the groups exposed for 24, 48, and 120 h. The FV + AgNPs + CG and AgNPs + CG indicate good performance in terms of the Ca/P ratio in in vitro demineralization compared to the group treated with fluorine varnish.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 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 ».