Identifying Hypoxia in a Newborn Piglet Model Using Urinary NMR Metabolomic Profiling
Notice bibliographique
Résumé
Establishing the severity of hypoxic insult during the delivery of a neonate is key step in the determining the type of therapy administered. While successful therapy is present, current methods for assessing hypoxic injuries in the neonate are limited. Urine Nuclear Magnetic Resonance (NMR) metabolomics allows for the rapid non-invasive assessment of a multitude breakdown products of physiological processes. In a newborn piglet model of hypoxia, we used NMR spectroscopy to determine the levels of metabolites in urine samples, which were correlated with physiological measurements. Using PLS-DA analysis, we identified 13 urinary metabolites that differentiated hypoxic versus nonhypoxic animals (1-methylnicotinamide, 2-oxoglutarate, alanine, asparagine, betaine, citrate, creatine, fumarate, hippurate, lactate, N-acetylglycine, N-carbamoyl-β-alanine, and valine). Using this metabolomic profile, we then were able to blindly identify hypoxic animals correctly 84% of the time compared to nonhypoxic controls. This was better than using physiologic measures alone. Metabolomic profiling of urine has potential for identifying neonates that have undergone episodes of hypoxia.
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) | 0,000 | 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 ».