MétaCan
Menu
Retour à la cohorte
Enregistrement W4413658720 · doi:10.3390/chemistry7050137

The Role of Ion-Doped Hydroxyapatite in Drug Delivery, Tissue Engineering, Wound Healing, Implants, and Imaging

2025· article· en· W4413658720 sur OpenAlexaff
Sorur Jadbabaee, Farnaz Mohebi Far, Javad Esmaeili, Majid Kolahdoozan

Notice bibliographique

RevueChemistry · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueBone Tissue Engineering Materials
Établissements canadiensUniversité du Québec à Chicoutimi
Organismes subventionnairesnon disponible
Mots-clésWound healingDrug deliveryBiomedical engineeringTissue engineeringDopingMaterials scienceMedicineNanotechnologySurgeryOptoelectronics

Résumé

récupéré en direct d'OpenAlex

The ion doping of hydroxyapatite (HA) has gained appeal as a chemical method of improving and adding new characteristics to materials used in biomedical engineering. Dimension, morphology, porosity, surface charge, topology, composition, and other material characteristics make doped HA more suitable for specific biomedical applications. The main aim of this review study was to highlight the role of iHA (iHA) in developing drug delivery systems, tissue engineering, implant coating, wound healing, and multimodal imaging. To the best of our knowledge, depending on the dopant, iHA can have inherent distinct mechanical, physicochemical, and biological properties that make it eligible for biomedical application. More importantly, some ions make iHA a potent antibacterial agent and drug carrier for wound healing (e.g., silver, copper, zinc), have tissue engineering capabilities, improved proangiogenic and osteoconductive properties (e.g., strontium, cobalt, nickel), drug loading capacity (e.g., magnesium, ferric, strontium), metallic implant coating properties (e.g., manganese, silver, copper), and multimodal imaging potential (e.g., terbium, ytterbium, cerium). The concentration of ions and the number of dopants played a vital role in developing new approaches based on iHA. In conclusion, iHA, compared to HA, could show better improvements in biomedical applications.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,002
Tête enseignante GPT0,186
Écart entre enseignants0,184 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueChemistryMême sujetBone Tissue Engineering MaterialsTravaux en français237 207