A High-Fidelity Finite Element Model for Simulating and Optimizing the Life Cycle of a Breakthrough Aneurysm Occluding Device: Crimping and Deployment Mechanisms
Notice bibliographique
Résumé
Abstract Advanced treatment options of cerebral aneurysms (CAs), in particular percutaneous treatment, are gaining fast attention by researchers and practitioners. The eCLIPs implant (product of Evasc Neurovascular Enterprises, Vancouver, Canada) has recently revolutionized the percutaneous treatment of CAs by offering innovative solutions to the challenges pertinent to other neurovascular devices, i.e. excessive vessel injury caused by device and artery interaction and blocking the daughter vessels in bifurcation cases. However, in a subset of CAs at the bifurcation location with fusiform pathology, eCLIPs fails to provide sufficient neck bridging, where a gap exists between the device structure and the aneurysm/artery wall upon device deployment. We have proposed an innovative solution for this problem by developing a new design for the eCLIPs (VR-e) by making the length of device ribs variable to cover such an inflow gap. We have developed a new computational framework to optimize the new product development process and evaluate the device behavior during crimping into a catheter and expansion at the aneurysm neck, which is not possible by testing a new device for the endovascular application experimentally. In spite of the longer rib span in the VR-e over eCLIPs, the device structure has not experienced plastic deformation during the crimping process. The VR-e device fully expanded and covered the inflow gap when deployed at the neck.
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 ».