Point-of-care Detection Platforms for Metabolic Biomarker and Infectious Disease
Notice bibliographique
Résumé
The metabolic and protein biomarkers are the most significant detection targets for the point-of-care disease diagnosis and healthcare. The chronic diseases are among the world’s leading causes of mortality, and the COVID-19 pandemic is continuously burdening the global health, especially impacting the low-income, resource-limited regions. Accurate point-of-care detection of biomarkers is an important monitoring strategy for chronic disease development. Early detection of infectious disease outbreaks can reduce the ultimate size of the outbreak and the overall morbidity and mortality due to the disease, in which diagnosis plays an important role. As available diagnostic technologies require well-trained personnel, expensive equipment and complex assay procedure and consume a large amount of time in medical laboratories, there is an urgent need for low-cost portable platforms that can provide fast, accurate, and ideally multiplexed diagnosis of infectious diseases at the point of care. This thesis reports on the design, fabrication, and demonstration of electrochemical point-of-care detection systems for metabolic and protein biomarkers. Rapid results have been achieved by employing electrochemical enzymatic reactions on devices with simple fabrication and preparation. The systems have demonstrated high sensitivity and specificity comparable to state-of-the-art laboratory tests. The works reported in this thesis show strong potential to lead to portable systems for point-of-care diagnosis.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 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 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 ».