Analysis of Selenium in Fish Tissue: An Interlaboratory Study on Weight Constraints
Notice bibliographique
Résumé
Environmental monitoring programs that target fish tissues for selenium (Se) analysis present unique sampling and analytical challenges. Selenium monitoring programs ideally focus on egg/ovary sampling but frequently sample multiple tissues with varying lipid content, often target small-bodied fish species because of their small home ranges, and require reporting in units of dry weight. In addition, there is a growing impetus for nonlethal tissue sampling in fish monitoring. As a result, Se monitoring programs often generate low-weight tissue samples of varying lipid content, which challenges analytical laboratories to quantify tissue Se concentrations accurately, precisely, and at desired detection limits. The objective of the present study was to stress-test some conventional analytical techniques used by commercial laboratories in terms of their ability to maintain data quality objectives (DQOs) in the face of sample weight constraints. Four laboratories analyzed blind a suite of identical samples, and data were compared against a priori DQOs for accuracy, precision, and sensitivity. Data quality tended to decrease with decreasing sample weight, particularly when samples were less than the minimum weights requested by the participating laboratories; however, effects of sample weight on data quality were not consistent among laboratories or tissue types. The present study has implications for accurately describing regulatory compliance in Se monitoring programs, highlighting some important considerations for achieving high data quality from low-weight samples. Environ Toxicol Chem 2023;42:2119-2129. © 2023 SETAC.
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) | 0,001 | 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 ».