儿童登革热疾病的歧视使用表面增强的拉曼光谱学与机器学习方法相结合

科学领域:

• 生物医学诊断 生物医学诊断
• 频谱学是一种光谱学.
• 机器学习 机器学习

背景情况:

• 登革热病毒 (DENV) 感染需要快速和准确的诊断.
• 现有的诊断方法在速度和准确性方面面临限制,特别是在资源有限的环境中.
• 预测疾病严重程度对于有效的患者管理至关重要.

研究的目的:

• 引入一种新的登革热诊断方法,使用表面增强拉曼光谱 (SERS) 与机器学习相结合.
• 评估SERS和机器学习在识别DENV感染和区分疾病严重程度方面的能力.
• 评估基于SERS的诊断与现有方法的性能.

主要方法:

• 分析60名儿科患者的血样本,使用商业化SERS基质.
• 机器学习算法的应用,包括线性判别分析 (LDA) 和逻辑回归,用于光谱数据分类.
• 区分其他发烧性疾病 (OFI),登革热 (DF) 和登革热出血热 (DHF) 病例.

主要成果:

• 在将登革热与OFI区分的高精度 (LDA和后勤回归的AUC为0.99).
• 在DF,DHF和OFI之间进行有效的歧视,LDA的AUC分别为0.81,0.90和0.99,物流回归分别为0.82,0.88和0.99.
• 在区分DF和DHF方面表现显著 (LDA的AUC为0.84,后勤回归为0.79).

结论:

• 基于SERS的方法在登革热诊断方面取得了重大进展,提供了速度和准确性.
• 这种创新技术有可能改善登革热严重程度的早期检测和分类.
• 该方法在资源有限的环境中特别有前途,有助于患者的治疗结果和治疗策略.