通过GC-IMS结合机器学习进行尿液挥发性有机化合物分析:用于尿路感染的强大诊断和病原体分化工具
Xin Zheng1, Xiaohang Sun2, Wenjing Du1
1Department of Clinical Laboratory, Shandong Provincial Third Hospital, Shandong University, Jinan, Shandong, China.
这项研究表明,将尿液中的挥发性有机化合物 (VOC) 与使用机器学习的临床数据相结合,可以准确诊断尿路感染 (UTI). 这种方法为尿路感染诊断和治疗提供了更快,更精确的方法.
科学领域:
- 分析化学 分析化学
- 临床诊断 临床诊断 临床诊断
- 计算生物学 计算生物学
背景情况:
- 诊断尿路感染 (UTI) 的标准尿液培养涉及诊断延迟.
- 尿液中的挥发性有机化合物 (VOC) 是有希望的代谢生物标志物,可快速检测感染.
研究的目的:
- 通过将尿液的VOC配置文件与临床特征相结合,开发和验证用于尿路感染诊断的机器学习模型.
- 与仅使用VOC或临床数据的模型相比,评估综合模型的诊断性能.
主要方法:
- 一项前性队列研究招募了258名怀疑患有尿路感染的成年人.
- 用气体染色体离子移动性光谱法 (GC-IMS) 分析尿液样本的VOC和临床参数.
- 机器学习模型 (逻辑回归,随机森林,支持矢量机) 被训练并使用组合的VOC和临床数据进行测试.
主要成果:
- 随机森林模型整合VOC和临床特征,AUC达到0.914,超过仅使用临床数据 (AUC0.831) 或VOC (AUC0.850) 的模型.
- 乙酸和甲被确定为尿路感染的重要独立预测因子.
- 挥发性有机化合物 (VOC) 概况显示,有可能区分格拉姆阳性和格拉姆阴性细菌感染.
结论:
- 使用机器学习将尿液VOC配置文件与临床数据相结合,可为尿路感染提供高诊断准确度.
- 这种方法促进了病原体的快速分化,可能导致更快,更精确的抗生素治疗.
更多相关视频
10:17High-throughput and Comprehensive Drug Surveillance Using Multisegment Injection-Capillary Electrophoresis-Mass Spectrometry
Published on: April 23, 2019
08:53Recurrent Escherichia coli Urinary Tract Infection Triggered by Gardnerella vaginalis Bladder Exposure in Mice
Published on: December 4, 2020
相关概念视频
Urinary Tract Infection III: Diagnostic Studies and Interprofessional Care
Urine Studies II: Urine Culture and Sensitivity Test
Urine Studies I: Urinalysis
Urinary Tract Infection I: Introduction
Urinary Tract Infection II: Pathophysiology
Urinary Tract Infection IV: Nursing Management
