Spectral characteristics of urine from patients with end-stage kidney disease analyzed using Raman Chemometric Urinalysis (Rametrix)
Notice bibliographique
Résumé
Raman Chemometric Urinalysis (RametrixTM) was used to discern differences in Raman spectra from (i) 362 urine specimens from patients receiving peritoneal dialysis (PD) therapy for end-stage kidney disease (ESKD), (ii) 395 spent dialysate specimens from those PD therapies, and (iii) 235 urine specimens from healthy human volunteers. RametrixTM analysis includes spectral processing (e.g., truncation, baselining, and vector normalization); principal component analysis (PCA); statistical analyses (ANOVA and pairwise comparisons); discriminant analysis of principal components (DAPC); and testing DAPC models using a leave-one-out build/test validation procedure. Results showed distinct and statistically significant differences between the three types of specimens mentioned above. Further, when introducing "unknown" specimens, RametrixTM was able to identify the type of specimen (as PD patient urine or spent dialysate) with better than 98% accuracy, sensitivity, and specificity. RametrixTM was able to identify "unknown" urine specimens as from PD patients or healthy human volunteers with better than 96% accuracy (with better than 97% sensitivity and 94% specificity). This demonstrates that an entire Raman spectrum of a urine or spent dialysate specimen can be used to determine its identity or the presence of ESKD by the donor.
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 | 0,001 |
| 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) | 0,001 | 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 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 ».