Mục tiêu: Đánh giá kết quả tái tạo hai dây chằng chéo khớp gối 1 thì qua nội soi. Đối tượng và phương pháp: Nghiên cứu tiến cứu với 52 bệnh nhân (31 nam và 21 nữ) được tái tạo hai dây chằng chéo khớp gối từ tháng 8 năm 2008 đến tháng 2 năm 2019. Thời gian theo dõi tối thiểu 1 năm sau phẫu thuật (từ 12 đến 92 tháng). Kết quả: Đánh giá kết quả sau phẫu thuật ít nhất 1 năm theo các thang điểm IKDC và Lysholm. Theo phân loại theo IKDC-2000, tại thời điểm theo dõi có 5 bệnh nhân xếp loại A, 32 bệnh nhân xếp loại B, 15 bệnh nhân xếp loại C so với 52 loại D thời điểm trước phẫu thuật. Theo thang điểm của Lyshom, điểm trung bình tại thời điểm theo dõi là 86,9 ± 9,5 điểm so với trước mổ là 43,6 ± 9,3 (cụ thể có 5 rất tốt, 33 tốt, 14 bệnh nhân kết quả trung bình. Kết luận: Phẫu thuật tái tạo hai dây chằng chéo khớp gối tuy bệnh nhân không thể phục hồi hoàn toàn như trước khi bị chấn thương nhưng hầu hết bệnh nhân phục hồi chức năng ổn định và đã cải thiện đáng kể chức năng khớp gối so với tình trạng trước phẫu thuật của họ.
Mục tiêu: Đánh giá tốc độ tự tiêu và khả năng tương thích sinh học của vật liệu kết xương magie (Mg) phủ hydroxyapatite (HAp) nhằm ứng dụng trong chấn thương chỉnh hình. Đối tượng và phương pháp: Vật liệu kết xương Mg phủ HAp được sử dụng cho thí nghiệm nuôi cấy tế bào trong môi trường MEM-a. Tốc độ tự tiêu của vật liệu kết xương được đánh giá bằng lượng khí hydro giải phóng và hình thái bề mặt mẫu. Khả năng tương thích sinh học của vật liệu kết xương được đánh giá qua hình thái tế bào, khả năng tăng sinh của tế bào. Kết quả: Thí nghiệm nuôi cấy tế bào MC3T3-E1 trong môi trường MEM-a cho thấy mẫu được phủ HAp không những thể hiện lượng khí hydro thoát ra giảm mà còn có mật độ tế bào tăng sinh lớn hơn nhiều so với mẫu không được phủ HAp. Kết luận: Lớp phủ HAp vừa có khả năng làm giảm tốc độ tự tiêu vừa làm tăng tính tương thích sinh học của vật liệu kết xương phù hợp để ứng dụng vào chấn thương chỉnh hình.
Sự phát triển của Trí tuệ nhân tạo Artificial Intelligence đã cung cấp các kỹ thuật mạnh mẽ để giải quyết nhóm bài toán Vehicle Routing Problems VRP. Trong bài báo này đề xuất một sự kết hợp kỹ thuật Học máy Machine Learning ML với một giải thuật lai để giải quyết bài toán VRP, mà giải thuật lai này có được là sự phối hợp giữa giải thuật Tối ưu bầy đàn PSO và giải thuật Di truyền Genetic Algorithm GA. Để vận dụng kỹ thuật Học máy thì bài báo đề xuất hai bước để xử lý tập khách hàng theo hai bước là: Mô hình phân lớp để dự đoán số lượng xe cần thiết cho từng tập khách hàng xác định bằng kỹ thuật Cây phân lớp tối ưu Optimal Classification Trees OCT; Giải thuật phân cụm mà có thể tận dụng được các tri thức có được từ sự phân lớp để có thể tối thiểu hóa số lượng xe vận tải cần có. Như vậy, giải thuật lai đã thực thi với tập dữ liệu khách hàng đầu vào là nhỏ hơn từ 1% đến 5% và đã giảm tải xử lý cho giải thuật lai đã xây dựng.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.