通过机器学习延长样本稳定性扩大了可用于在家收集的邮寄毛细血管血液的测试目录

科学领域:

• 生物医学工程 生物医学工程
• 临床化学 临床化学
• 数据科学数据科学数据科学

背景情况:

• 在家自行收集生物标本提供了方便,但在运输过程中面临样本不稳定性的挑战.
• 在运输过程中血液样本的降解导致不准确和不精确的临床测试结果.
• 现有的方法缺乏强大的解决方案,以维持在受控实验室环境之外的样品完整性.

研究的目的:

• 开发和验证一种基于软件的方法来建模和控制自收集血液中的样本不稳定性.
• 为了能够准确校准血液检测结果,尽管在运输过程中降解.
• 扩大远程血液检测的可行性,用于临床诊断和公共卫生倡议.

主要方法:

• 训练了一个预测模型 (远程控制) 使用来自血液样本的环境传感器数据,这些血液样本经历了真实世界的运输条件.
• 验证了模型对测试结果的校准能力,接近时间零值.
• 在各种条件下评估性能,包括环境运输长达9天和不同温度 (3.447.4°C).

主要成果:

• 校准模型在脂质面板上与CLIA总误差 (TEa) 达成高度一致 (98.1100%).
• 证明了低偏差 (0.11.6%),可接受的变化系数 (2.24.9%) 和高西格玛指标 (38.8σ).
• 在各种实验室,设备,患者人口统计和健康状况 (包括毛细血管血液样本) 中概括的性能.

结论:

• 一种基于软件的校准方法有效地减轻了样本的不稳定性,使得可靠的家庭血液检测成为可能.
• 这种方法支持分散的临床试验,公共卫生查和负担得起的家庭医疗保健服务.
• 未经加工的全血可以在环境条件下长时间运输,并在校准后获得准确的结果.