Factors affecting skin keratinocyte and fibroblast extraction yields for the production of living skin substitutes to treat severely burned patients
Notice bibliographique
Résumé
Backgrounds As autografting is limited for severely burned patients due to a lack of healthy donor sites, tissue-engineered autologous skin substitutes have emerged as a promising alternative. Yet, challenges persist, particularly regarding production time. Since cell culture is influenced by multiple factors, identifying them is crucial for improving culture yields. This retrospective study aimed to identify factors affecting skin cell extraction yields. Methods Culture data (method used, etc.) and clinical data (medical history, etc.) from all available patient records over a 35-year-period were collected. 18 variables were assessed using XGBoost as a variable selection tool, before fitting mixed-effects multivariate linear modeling. Results As expected, age inversely correlated with keratinocyte and fibroblast extraction yields, decreasing by 0.048×10 6 cells/cm² per year (CI 95% = [-0.065;-0.031]) and 0.035×10 6 cells/cm² per year (CI 95% = [-0.050;-0.019]), respectively. Keratinocyte yield also rose by 0.936×10 6 cells/cm² (CI 95% = [0.175;1.697]) when hairs could be grasped during the epidermis-dermis separation. Conversely, fibroblast yield increased by 0.042×10 6 cells/cm² per day post-burn (CI 95% = [0.007;0.076]) and by 0.019×10 6 cells/cm² per percentage of TBSA burned (CI 95% = [0.002;0.036]). Conclusions This findings provides valuable insights into factors influencing skin cell extraction yields, which may help optimize skin biopsy parameters, ultimately improving production efficiency.
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 | 0,001 |
| 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 ».