A Meta-Analysis of In Vitro Release of Hydrophilic Therapeutics from Contact Lenses Using Mathematical Modeling
Notice bibliographique
Résumé
Background/Objectives: A meta-analysis was conducted to study the in vitro release of hydrophilic therapeutics from contact lenses, loaded using the soaking method. Fifty-three experiments were studied that measure the cumulative release of therapeutics from (mostly) commercial contact lenses placed in a vial. Methods: A mathematical model and a parameter-fitting algorithm are presented to estimate the diffusion coefficient (D) and 50% therapeutic release time (T50) of all the experimental lens–therapeutic combinations. Statistical methods were used to analyze the relationships between lens materials, therapeutic properties, and predicted parameter values (D and T50). Results: The mathematical framework was validated against previous studies. It was found that lens water content directly and moderately influences the estimated diffusion coefficient. More specifically, the median diffusivity of silicone hydrogel (SH) contact lenses was statistically different from that of conventional hydrogel (CH) lenses. The dependencies of other lens and therapeutic properties on diffusivity were complex, with special cases studied to elicit dependencies. A predictive tool was constructed to estimate the logarithm of 50% therapeutic release time (log(T50)), given the lens water content and the therapeutic molecular volume and density. Conclusions: The conducted meta-analysis found that the kinetic release of therapeutics from contact lenses depends on the properties of both the contact lens and therapeutics. The statistical model explained 64% of the variability of the log(T50) and can be used in the preliminary stages of contact lens drug delivery development.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».