基于半导体的E-Nose技术的呼吸样本分析区分了非感染者和SARS-CoV-2肺炎患者:一个多分析师实验

科学领域:

• 生物医学工程 生物医学工程
• 分析化学 分析化学
• 计算生物学 计算生物学

背景情况:

• 电子鼻子 (E-Nose) 技术利用金属氧化物传感器检测呼吸中的挥发性有机化合物 (VOC),分析电导率的变化.
• 机器学习 (ML) 算法用于解释由E-Nose设备生成的复杂信号模式.

研究的目的:

• 验证E-Nose技术与ML结合用于诊断严重急性呼吸系统综合征冠状病毒2型 (SARS-CoV-2) 肺炎.
• 将E-Nose呼吸分析的诊断性能与PCR和抗原测试等既有方法进行比较.

主要方法:

• 从126名受试者 (63名有SARS-CoV-2肺炎,63名没有) 的呼吸样本使用ReCIVA®呼吸采样器收集.
• 样品被丰富并存储在Tenax吸附管上,然后用10个传感器的E-Nose单元进行分析.
• 三个独立的数据分析团队采用了不同的ML方法进行分类.

主要成果:

• 所有团队都取得了高的分类准确性,平均曲线下面积 (AUC) >90%和错误分类误差<19%.
• 一个单一的,一致识别的传感器被证明是成功分类的关键.
• 电子鼻子方法的性能与PCR相提并论,优于临床抗原测试.

结论:

• 通过VOC丰富和ML增强的E-Nose呼吸分析是SARS-CoV-2肺炎的可行的诊断工具.
• 这些发现表明,通过优化传感器集,有可能开发有针对性的护理点测试.