Towards label-free, wash-free and quantitative B-type natriuretic peptide detection for heart failure diagnosis
Notice bibliographique
Résumé
Current diagnostic systems used in clinical settings to detect protein biomarkers require highly trained experts, large volumes of blood samples, and long turnaround times. There is an immense need for a low-cost and accurate point-of-care-testing (POCT) device for home monitoring of protein biomarkers for global pandemics such as heart failure (HF). The integration of highly sensitive carbon nanotube (CNT) thin film (CNT-TF) impedance sensors with the electrochemical impedance spectroscopy (EIS) technique is a promising platform to actualize POCT systems for home use. Herein, we report such a system, NanoBot, which allows the label-free and wash-free detection of the HF antigen biomarker B-type natriuretic peptide (BNP) in blood plasma. The NanoBot system consists of two parts: a disposable test strip and a miniature electronic readout unit. The NanoBot exhibited reasonable accuracy and precision, a clinically relevant limit of detection (LOD) as low as 16 pg mL-1, a linear detection range from 0-4000 pg mL-1 and excellent correlation with a reference standard fluorescent immunoassay (FIA). A pilot clinical study with patient-derived blood plasma validated the NanoBot's strong performance compared to that of Alere Triage®, with an interclass correlation coefficient (ICC) of 98% and a square of correlation coefficient (CC) of 0.95. Furthermore, unlike the Alere Triage® that requires more than 250 μL of blood collected via venipuncture, the NanoBot only requires 50 μL of blood. Collectively, the NanoBot's high sensitivity, accuracy, precision, and self-calibration characteristics signify its promising potential as a POCT platform for heart failure diagnosis in home use.
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 | 0,000 |
| 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 | 0,000 |
| 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 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 ».