Arduino-Based Sensing Platform for Rapid, Low-Cost, and High-Sensitivity Detection and Quantification of Analytes in Fluidic Samples
Notice bibliographique
Résumé
Lateral flow assays (LFAs; aka. rapid tests) are inexpensive paper-based devices for rapid and specific detection of analyte of interest (e.g., COVID virus) in fluidic samples. Areas of application of LFAs cover a broad spectrum, spanning from agriculture to food/water safety to point-of-care medical testing and, most recently, to detection of COVID-19 infection. While these low-cost and rapid tests are specific to the target analyte, their sensitivity and limit of detection are far inferior to their laboratory-based counterparts. In addition, rapid tests normally cannot quantify the concentration of target analyte and only provide qualitative/binary detection. We have developed a low-cost, end-user sensing platform that significantly improves the sensitivity of rapid tests. The developed platform is based on Arduino and utilizes low-cost far infrared, single-element detectors to offer sensitive and semi-quantitative results from commercially available rapid tests. The sensing paradigm integrated to the low-cost device is based on radiometric detection of photothermal responses of rapid tests in the frequency domain when exposed to modulated laser excitation. As a proof of principle, we studied commercially available rapid tests for detection of THC (the principal psychoactive constituent of cannabis) in oral fluid with different concentrations of control positive solutions and, subsequently, interpret them with the developed sensor. Results suggest that the developed end-user sensor is not only able to improve the detection limit of the rapid test by approximately an order of magnitude from 25 ng/mL to 5 ng/mL, but also offers the ability to obtain semi-quantitative insight into concentration of THC in the fluidic samples.
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 ».