A comparison of clinical laboratory data for assigning a consensus value for manganese in a caprine blood reference material
Notice bibliographique
Résumé
Biomonitoring for manganese (Mn) exposure is important due to its potential to cause adverse health effects. In this study, we investigate how different sample preparation methods (dilution, digestion), calibration protocols (aqueous, blood-based, standard additions), and instrumental techniques affect Mn method bias and analytical imprecision. The techniques used included graphite furnace atomic absorption spectrometry (GFAAS), dynamic reaction cell inductively coupled plasma mass spectrometry (DRC-ICP-MS), and sector field (SF-) ICP-MS. We analyzed NIST SRM 1643e Trace Elements in Water and SRM 1598a Inorganic Constituents in Animal Serum (both certified for Mn), and SRM 955c Toxic Metals in Caprine Blood – Level 1 (not certified for Mn). Various matrix effects in ICP-MS produced inaccurate results for SRM 1643e and discrepant results for SRM 955c. In the absence of a certified value for Mn in SRM 955c, we assigned a “consensus” value by combining data from the New York State Department of Health (NYS), the Centers for Disease Control and Prevention (CDC) and the Centre de toxicologie du Québec (CTQ). With this interlaboratory approach, we established an “all-lab” consensus value of 16.3 ± 0.8 μg L−1 based on data from DRC-ICP-MS with dilution sample preparation and blood-based calibration. We also assigned an “all-method” consensus value of 16.3 ± 0.9 μg L−1 based on GFAAS and SF-ICP-MS data from the NYS lab and the DRC-ICP-MS all-lab consensus value. Although the expanded uncertainty (U) calculated for the consensus values may not fully account for all sources of uncertainty, it does show the relative variation that might be expected from one study to the next for the determination of Mn in blood.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».