Toward point-of-care diagnostic metabolic fingerprinting: quantification of plasma creatinine by infrared spectroscopy of microfluidic-preprocessed samples
Notice bibliographique
Résumé
Infrared (IR) spectroscopy has previously been established as a means to accurately quantify several serum and urine metabolites, based upon spectroscopy of dry films. The same technique has also provided the basis to develop certain diagnostic tests, developed in the 'metabolomics' spirit. Here, we report on the further development of an integrated microfluidic-IR technology and technique, customized with the aim of dramatically extending the capabilities of IR spectroscopy in both analytical and diagnostic (metabolomic) applications. By exploiting the laminar fluid diffusion interface (LFDI), serum specimens are processed to yield product streams that are better suited for metabolic fingerprinting; metabolites are captured within the aqueous product stream, while proteins (which otherwise dominate the spectra of films dried from serum) are present in much reduced concentration. Spectroscopy of films dried from the aqueous stream then provides enhanced diagnostic and analytical sensitivity. The manuscript introduces an LFDI card design that is customized for integration with IR spectroscopy, and details the development of a quantitative assay for serum creatinine--based upon LFDI-processed serum samples--that is substantially more accurate (standard error of calibration, SEC = 43 micromol/L) than the corresponding assay based upon unprocessed serum specimens (SEC = 138 micromol/L). Preliminary results of diffusion modeling are reported, and the prospects for further optimization of the technique, guided by accurate modeling, are discussed.
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 | 0,001 |
| 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 | 0,001 | 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 ».