通过完全自动化的深度学习支持的微流体系统来减少C型肝炎的诊断差异,用于HCV抗原检测

科学领域:

• 肝病学和病毒学.
• 生物医学工程 生物医学工程
• 临床诊断 临床诊断 临床诊断 临床诊断

背景情况:

• 病毒性肝炎,特别是慢性乙型肝炎 (HBV) 和型肝炎 (HCV),导致全球显著的死亡率,主要来自肝癌和肝硬化.
• 每年感染HCV的人数超过150万人,对美国印第安人和阿拉斯加土著 (AI/AN) 等弱势群体的影响不成比例.
• 目前的多步骤HCV诊断方法昂贵且耗时,阻碍及时治疗,并导致患者退出.

研究的目的:

• 开发一种新的,自动化的,点照顾 (POC) 试验,用于检测C型肝炎病毒 (HCV) 抗原.
• 创建一个具有成本效益和便携性的诊断解决方案,以克服当前HCV检测策略的局限性.
• 提高HCV诊断的可访问性和公平性,特别是对于AI/AN等服务不足的人群.

主要方法:

• 开发基于智能手机的POC HCV抗原 (Ag) 测定方法,集成微流体和纳米粒子.
• 利用深度学习算法进行自动图像处理和分析测试结果.
• 验证试验的性能特征,包括灵敏度和特异性.

主要成果:

• 开发的基于智能手机的POC HCV Ag测定显示了94.59%的整体准确性.
• 该测试是完全自动化的,便携式的,并且具有成本效益,解决了当前HCV诊断中的关键挑战.
• 该技术显示了在资源有限的环境中快速,可靠的HCV检测的潜力.

结论:

• 基于智能手机的新型POC HCV Ag测定为准确和可访问的HCV诊断提供了一个有希望的解决方案.
• 这项技术有可能显著减少与HCV相关的健康差异,特别是在AI/AN社区中.
• 改善诊断的可访问性可以导致更早的治疗开始和更好的患者对HCV感染的结果.