Correlation of surface-enhanced Raman spectroscopic fingerprints of kidney transplant recipient urine with kidney function parameters
Notice bibliographique
Résumé
Abstract Routine monitoring of kidney transplant function is required for the standard care in post-transplantation management, including frequent measurements of serum creatinine with or without kidney biopsy. However, the invasiveness of these methods with potential for clinically significant complications makes them less than ideal. The objective of this study was to develop a non-invasive tool to monitor the kidney transplant function by using Surface-Enhanced Raman Spectroscopy (SERS). Urine and blood samples were collected from kidney transplant recipients after surgery. Silver nanoparticle-based SERS spectra of the urine were measured and evaluated using partial least squires (PLS) analysis. The SERS spectra were compared with conventional chemical markers of kidney transplant function to assess its predictive ability. A total of 110 kidney transplant recipients were included in this study. PLS results showed significant correlation with urine protein (R2 = 0.4660, p < 0.01), creatinine (R2 = 0.8106, p < 0.01), and urea (R2 = 0.7808, p < 0.01). Furthermore, the prediction of the blood markers of kidney transplant function using the urine SERS spectra was indicated by R2 = 0.7628 (p < 0.01) for serum creatinine and R2 = 0.6539 (p < 0.01) for blood urea nitrogen. This preliminary study suggested that the urine SERS spectral analysis could be used as a convenient method for rapid assessment of kidney transplant function.
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) | 0,000 | 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) | 0,001 | 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 ».