Fractal circuit sensors enable rapid quantification of biomarkers for donor lung assessment for transplantation
Notice bibliographique
Résumé
Biomarker profiling is being rapidly incorporated in many areas of modern medical practice to improve the precision of clinical decision-making. This potential improvement, however, has not been transferred to the practice of organ assessment and transplantation because previously developed gene-profiling techniques require an extended period of time to perform, making them unsuitable in the time-sensitive organ assessment process. We sought to develop a novel class of chip-based sensors that would enable rapid analysis of tissue levels of preimplantation mRNA markers that correlate with the development of primary graft dysfunction (PGD) in recipients after transplant. Using fractal circuit sensors (FraCS), three-dimensional metal structures with large surface areas, we were able to rapidly (<20 min) and reproducibly quantify small differences in the expression of interleukin-6 (IL-6), IL-10, and ATP11B mRNA in donor lung biopsies. A proof-of-concept study using 52 human donor lungs was performed to develop a model that was used to predict, with excellent sensitivity (74%) and specificity (91%), the incidence of PGD for a donor lung. Thus, the FraCS-based approach delivers a key predictive value test that could be applied to enhance transplant patient outcomes. This work provides an important step toward bringing rapid diagnostic mRNA profiling to clinical application in lung transplantation.
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 | 0,001 | 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 | 0,001 |
| 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 ».