使用SERS和机器学习实现快速和低成本的中风检测.
Cristina Freitas1,2, João Eleutério3, Gabriela Soares3
1Associate Laboratory i4HB-Institute for Health and Bioeconomy, Faculdade de Ciências e Tecnologia, Universidade NOVA de Lisboa, 2819-516 Caparica, Portugal.
Biosensors
|March 26, 2025
概括
这项研究介绍了一种快速,低成本的方法,使用银纳米星和机器学习来从血样本中区分出血性和缺血性中风. 这种医疗诊断点显示出更快的医院前中风诊断和改善患者结果的希望.
科学领域:
- 纳米技术 纳米技术
- 生物医学诊断 生物医学诊断
- 机器学习 机器学习
背景情况:
- 脑卒中影响全球数百万人,需要快速诊断才能有效治疗.
- 目前的医院成像推迟了治疗,突出了需要便携式诊断工具的需要.
- 区分中风类型 (出血与缺血) 对于适当的患者管理至关重要.
研究的目的:
- 开发一种概念验证,用于快速,低成本的,治疗点诊断试验,以区分中风类型.
- 为了利用银纳米星 (AgNS) 和表面增强拉曼光谱 (SERS) 与机器学习 (ML) 进行等离子体分析.
- 为了能够在医院前进行中风诊断,并有可能改善患者的治疗结果.
主要方法:
- 银纳米星 (AgNS) 用人体血进行化,加上质纤维酸蛋白 (GFAP) 作为出血性中风的生物标志物.
- 表面增强拉曼光谱 (SERS) 用于分析基板上的血样本的光谱指纹.
- 机器学习 (ML) 模型,包括组合建模和特征工程,用于根据SERS光谱对中风类型进行分类.
主要成果:
- 该试验成功地区分了出血和缺血性中风模拟在15分钟内.
- 优化的AgNS等离子体化器,可控的比率和低成本基质是关键的创新.
- 集成的ML模型在几秒钟内实现了快速而精确的中风预测,识别了特定于中风的蛋白质配置文件.
结论:
- 这种基于SERS的ML测定方法为快速的,医院前的中风诊断提供了有希望的方法.
- 开发的方法显示出低成本的潜在应用,帮助即时的临床决策.
- 进一步开发可以通过更快地识别中风类型来显著改善患者的治疗结果.
