MétaCan
Menu
Retour à la cohorte
Enregistrement W4243914476 · doi:10.1021/acssensors.8b01072

A Passive Mixing Microfluidic Urinary Albumin Chip for Chronic Kidney Disease Assessment

2018· article· en· W4243914476 sur OpenAlexafffund
Jiandong Wu, Dumitru Tomsa, Michael Zhang, Paul Komenda, Navdeep Tangri, Claudio Rigatto, Francis Lin

Notice bibliographique

RevueACS Sensors · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueMicrofluidic and Capillary Electrophoresis Applications
Établissements canadiensSeven Oaks General HospitalUniversity of Manitoba
Organismes subventionnairesCanadian Institutes of Health ResearchNatural Sciences and Engineering Research Council of CanadaMitacsUniversity of Manitoba
Mots-clésMicrofluidic chipAlbuminMicrofluidicsKidney diseaseUrineChipMixing (physics)Detection limitBiomedical engineeringMaterials scienceChromatographyMedicineChemistryInternal medicineComputer scienceNanotechnologyPhysicsTelecommunications

Résumé

récupéré en direct d'OpenAlex

Urinary albumin level is an important indicator of kidney damage in chronic kidney disease (CKD) but effective routine albumin detection tools are lacking. In this paper, we developed a low-cost and high accuracy microfluidic urinary albumin chip (UAL-Chip) to rapidly measure albumin in urine. The UAL-Chip offers three major features: (1) we incorporated a fluorescent reaction assay into the chip to improve the detection accuracy; (2) we constructed a passive and continuous mixing module in the chip that provides user-friendly operation and greater signal stability; (3) we applied a pressure-balancing strategy based on the immiscible oil coverage that achieves precise control of the sample-dye mixing ratio. We validated the UAL-Chip using both albumin standards and urine samples from 12 CKD patients and achieved an estimated limit of detection (LOD) of 5.2 μg/mL. The albumin levels in CKD patients' urine samples measured by UAL-Chip is consistent with the traditional well-plate measurements and clinical results. We foresee the potential of extending this passive and precise mixing platform to assess various disease biomarkers.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,187
Score d'incertitude au seuil0,991

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,240
Écart entre enseignants0,232 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations30
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueACS SensorsMême sujetMicrofluidic and Capillary Electrophoresis ApplicationsTravaux en français237 207