Biosensors and nanobiosensors for therapeutic drug and response monitoring
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Therapeutic drug monitoring (TDM) is required for pharmaceutical drugs with dosage limitations or toxicity issues where patients undergoing treatment with these drugs require frequent monitoring. This allows for the concentration of such pharmaceutical drugs in a patient's biofluid to be closely monitored in order to assess the pharmacokinetics, which could result in an adjustment of dosage or in medical intervention if the situation becomes urgent. Biosensors are a class of analytical techniques competent in the rapid quantification of therapeutic drugs and recent developments in instrumental platforms and in sensing schemes, as well as the emergence of nanobiosensors, have greatly contributed to the principal examples of these sensors for therapeutic drug monitoring. Based on initial success stories, it is clear that (nano)biosensors could pave the way for therapeutic drug monitoring of many commonly administered drugs and for new drugs that will be introduced to the market allowing for safe and optimal dosing across a wide range of pharmaceuticals. In this review, we report on the recent developments in biosensing and nanobiosensing techniques and, focussing mainly on anti-cancer agents and antibiotics, we discuss the different classes of molecules upon which therapeutic drug monitoring has already been successfully applied. The potential contributions of (nano)biosensors are also reviewed for the emerging areas of therapeutic response monitoring, where markers are monitored to ensure compliance of a patient to a treatment and in the area of cellular response to therapeutic drugs in order to identify cytotoxic effects of drugs on cells or to identify patients responding to a drug.
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.
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 | 0,001 | 0,000 |
| 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 découle