Digital Microfluidic Platform for the Detection of Rubella Infection and Immunity: A Proof of Concept
Notice bibliographique
Résumé
BACKGROUND: Whereas disease surveillance for infectious diseases such as rubella is important, it is critical to identify pregnant women at risk of passing rubella to their offspring, which can be fatal and can result in congenital rubella syndrome (CRS). The traditional centralized model for diagnosing rubella is cost-prohibitive in resource-limited settings, representing a major obstacle to the prevention of CRS. As a step toward decentralized diagnostic systems, we developed a proof-of-concept digital microfluidic (DMF) diagnostic platform that possesses the flexibility and performance of automated immunoassay platforms used in central facilities, but with a form factor the size of a shoebox. METHODS: DMF immunoassays were developed with integrated sample preparation for the detection of rubella virus (RV) IgG and IgM. The performance (sensitivity and specificity) of the assays was evaluated with serum and plasma samples from a commercial antirubella mixed-titer performance panel. RESULTS: The new platform performed the essential processing steps, including sample aliquoting for 4 parallel assays, sample dilution, and IgG blocking. Testing of performance panel samples yielded diagnostic sensitivity and specificity of 100% and 100% for both RV IgG and RV IgM. With 1.8 μL sample per assay, 4 parallel assays were performed in approximately 30 min with <10% mean CV. CONCLUSIONS: This proof of concept establishes DMF-powered immunoassays as being potentially useful for the diagnosis of infectious disease.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».