Machine learning-enhanced drug testing for simultaneous morphine and methadone detection in urinary biofluids
Notice bibliographique
Résumé
Abstract The simultaneous identification of drugs has considerable difficulties due to the intricate interplay of analytes and the interference present in biological matrices. In this study, we introduce an innovative electrochemical sensor that overcomes these hurdles, enabling the precise and simultaneous determination of morphine (MOR), methadone (MET), and uric acid (UA) in urine samples. The sensor harnesses the strategically adapted carbon nanotubes (CNT) modified with graphitic carbon nitride (g-C 3 N 4 ) nanosheets to ensure exceptional precision and sensitivity for the targeted analytes. Through systematic optimization of pivotal parameters, we attained accurate and quantitative measurements of the analytes within intricate matrices employing the fast Fourier transform (FFT) voltammetry technique. The sensor’s performance was validated using 17 training and 12 test solutions, employing the widely acclaimed machine learning method, partial least squares (PLS), for predictive modeling. The root mean square error of cross-validation (RMSECV) values for morphine, methadone, and uric acid were significantly low, measuring 0.1827 µM, 0.1951 µM, and 0.1584 µM, respectively, with corresponding root mean square error of prediction (RMSEP) values of 0.1925 µM, 0.2035 µM, and 0.1659 µM. These results showcased the robust resiliency and reliability of our predictive model. Our sensor’s efficacy in real urine samples was demonstrated by the narrow range of relative standard deviation (RSD) values, ranging from 3.71 to 5.26%, and recovery percentages from 96 to 106%. This performance underscores the potential of the sensor for practical and clinical applications, offering precise measurements even in complex and variable biological matrices. The successful integration of g-C 3 N 4 -CNT nanocomposites and the robust PLS method has driven the evolution of sophisticated electrochemical sensors, initiating a transformative era in drug analysis.
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) | 0,001 | 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 | 0,001 | 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 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 ».