Healing and expression of growth factors (TGF-β and PDGF) in canine radial ostectomy gap containing platelet-rich plasma

Objectives: To evaluate bone healing in an experimental radial ostectomy in dogs treated with autologous platelet-rich plasma (PRP), through histological, densitometric, radiographic studies, as well as expression of growth factors in the ostectomy gap. Methods: Twenty-one dogs were randomly divided into either a control or a PRP group. All underwent unilateral ostectomy of the radius to generate a gap of 2.0 mm, that was stabilized with external skeletal fixation. The ostectomy gap was either filled with PRP or left empty as a control. The radiographic and densitometric studies were performed after surgery, then at intervals until 60 days during the post-surgery period. Histological and immunohistochemical evaluations were performed at seven or 60 days post-surgery. Analyses were performed using a statistical analysis system, and the level of significance was set at p <0.05. Results: The median radiographic healing score in the PRP group increased significantly between day 0 and day 60. Furthermore, at 60 days, the median healing score and the proportion of healed ostectomies in the control group (score 1; 1/6 healed) and the PRP group (score 5; 4/5 healed) were significantly different. There were differences between groups in radiographic and densitometric values at days 45 and 60. The histological evaluation showed advanced bone healing at 60 days in the PRP group and signs of delayed union in the control group. Clinical relevance: Platelet-rich plasma can be used as an adjuvant therapy because it may promote better bone healing of a radial ostectomy treated with external skeletal fixation in dogs.

Análise comparativa de exposição do operador à radiação entre as técnicas radial, femoral e radial com dispositivo protetor em procedimentos de cardiologia intervencionista

Pós-graduação em Fisiopatologia em Clínica Médica - FMB

Obtenção de neurônios de redes neurais de base radial via agrupamento de dados por floresta de caminhos ótimos

Neste artigo é apresentada uma abordagem para aumentar a eficácia das Redes Neurais Artificiais de Funções de Base Radial utilizando um algoritmo de agrupamento de dados via Floresta de Caminhos Ótimos. Algumas técnicas comumente empregadas para essa tarefa, como o conhecido k-médias, requerem um determinado número de classes/agrupamentos prévio à sua execução. Embora o número de classes seja conhecido em problemas supervisionados, o número real de agrupamentos é difícil de ser encontrado, dado que uma classe pode ser representada por mais de um agrupamento. Experimentos em nove bases de dados, em conjunto com análises estatísticas, demonstraram que o classificador por Floresta de Caminhos Ótimos possui um melhor desempenho que a técnica k-médias, bem como encontra as médias das distribuições Gaussianas em posições muito similares às encontradas por este último. Entretanto, o classificador por Floresta de Caminhos Ótimos possui um custo computacional maior, dado que a sua etapa de treinamento é mais custosa que a da técnica k-médias.