Salivary Diagnostics in Pediatrics and the Status of Saliva-Based Biosensors
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Salivary biomarkers are increasingly being used as an alternative to diagnose and monitor the progression of various diseases due to their ease of use, on site application, non-invasiveness, and most likely improved patient compliance. Here, we highlight the role of salivary biosensors in the general population, followed by the application of saliva as a diagnostic tool in the pediatric population. We searched the literature for pediatric applications of salivary biomarkers, more specifically, in children from 0 to 18 years old. The use of those biomarkers spans autoimmune, developmental disorders, oncology, neuropsychiatry, respiratory illnesses, gastrointestinal disorders, and oral diseases. Four major applications of salivary proteins as biomarkers are: (1) dental health (caries, stress from orthodontic appliances, and gingivitis); (2) gastrointestinal conditions (eosinophilic esophagitis, acid reflux, appendicitis); (3) metabolic conditions (obesity, diabetes); and (4) respiratory conditions (asthma, allergic rhinitis, small airway inflammation, pneumonia). Genomics, metabolomics, microbiomics, proteomics, and transcriptomics, are various other classifications for biosensing based on the type of biomarkers used and reviewed here. Lastly, we describe the recent advances in pediatric biosensing applications using saliva. This work guides scientists in fabricating saliva-based biosensors by comprehensively overviewing the potential markers and techniques that can be employed.
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.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,000 | 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 découle