Salivary molecular spectroscopy: a rapid and non-invasive monitoring tool for diabetes mellitus during insulin treatment
Notice bibliographique
Résumé
Abstract Monitoring of blood glucose is an invasive, painful and costly practice in diabetes. Consequently, the search for a more cost-effective (reagent-free), non-invasive and specific diabetes monitoring method is of great interest. Attenuated total reflectance Fourier transform infrared (ATR-FTIR) spectroscopy has been used in diagnosis of several diseases, however, applications in the monitoring of diabetic treatment are just beginning to emerge. Here, we used ATR-FTIR spectroscopy to evaluate saliva of non-diabetic (ND), diabetic (D) and diabetic 6U-treated of insulin (D6U) rats to identify potential salivary biomarkers related to glucose monitoring. The spectrum of saliva of ND, D and D6U rats displayed several unique vibrational modes and from these, two vibrational modes were pre-validated as potential diagnostic biomarkers by ROC curve analysis with significant correlation with glycemia. Compared to the ND and D6U rats, classification of D rats was achieved with a sensitivity of 100%, and an average specificity of 93.33% and 100% using bands 1452 cm −1 and 836 cm −1 , respectively. Moreover, 1452 cm −1 and 836 cm −1 spectral bands proved to be robust spectral biomarkers and highly correlated with glycemia (R 2 of 0.801 and 0.788, P < 0.01, respectively). Both PCA-LDA and HCA classifications achieved an accuracy of 95.2%. Spectral salivary biomarkers discovered using univariate and multivariate analysis may provide a novel robust alternative for diabetes monitoring using a non-invasive and green technology.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».