感染

科研人员研发出基于呼出气挥发性有机物指纹的新冠肺炎无创快速筛查技术

作者:佚名 来源:MedSci梅斯 日期:2021-10-13
导读

         新型冠状病毒感染(COVID-19)疫情在世界多地仍在持续,COVID-19的快速筛查对于遏制其大流行、恢复正常生活至关重要。然而,现有的核酸检测在检测时间和灵敏度方面仍存在不足,特别是在核酸假阴性条件下解除隔离的漏检风险。目前在重要公共场所只是采取防疫码和体温监测策略,这对于处于潜伏期的或无症状的患者的排查存在极大的挑战。因此完全依靠核酸检测仍具有公共卫生和安全隐患,急需新的检测方法和技术的补

关键字:  新冠肺炎 

        新型冠状病毒感染(COVID-19)疫情在世界多地仍在持续,COVID-19的快速筛查对于遏制其大流行、恢复正常生活至关重要。然而,现有的核酸检测在检测时间和灵敏度方面仍存在不足,特别是在核酸假阴性条件下解除隔离的漏检风险。目前在重要公共场所只是采取防疫码和体温监测策略,这对于处于潜伏期的或无症状的患者的排查存在极大的挑战。因此完全依靠核酸检测仍具有公共卫生和安全隐患,急需新的检测方法和技术的补充。

        近日,北大环境科学与工程学院要茂盛教授与北京市朝阳区疾病预防与控制中心等合作团队合作集成呼出气采样、气相色谱-离子迁移谱检测和机器学习模型研发了新冠感染的无创呼出气筛查系统(TestBreathNow-TBN)。研究团队利用该系统对74例新冠患者、30例非新冠呼吸系统感染患者,87位医务工作人员和健康受试者的呼出气样品及其背景环境空气进行分析,识别了呼出气中12种关键VOCs标志物物种。研究发现新冠患者和其他呼吸系统患者呼出气中丙醇水平相比健康受试者显着升高,而新冠患者呼出气中丙酮水平相比其他呼吸系统感染患者和健康受试者显着降低。通过支持向量(SVM),梯度加速(GBM)和随机森林(Random Forests)三种机器学习算法对12种关键呼出气VOCs标志物进行建模,可准确区分新冠患者和非新冠的其他呼吸系统感染患者,基于现有数据模型验证特异性和灵敏度达到95%以上,接收曲线下面积(AUC)>0.95。该测试方法的取样过程完全无创,被试者使用一次性呼吸袋,只需呼气30秒便可完成样品采集;该检测系统程序操作简单,无需任何检测试剂,结合机器学习模型最快能在5-10分钟内即可实现新冠患者快速筛查,单次检测费用显着降低。该系统目前正计划进一步优化与测试。该系统有望在以下情况的新冠快速筛查发挥核酸检测外额外辅助作用,降低新冠肺炎传播风险:需要快速做出决定的新冠筛查;筛查核酸检测为假阴性的情况;重要高层会议;海关入境;特殊航班人员的快速筛查;出院前或解除隔离时的筛查以及在隔离酒店、收治医院等重点场所等等。这些特殊场所与情景下利用该技术开展新冠肺炎快速辅助筛查,能为我国新常态下新冠肺炎疫情防控工作贡献额外的积极力量。

分享:

评论

我要跟帖
发表
回复 小鸭梨
发表

copyright©医学论坛网 版权所有,未经许可不得复制、转载或镜像

京ICP证120392号  京公网安备110105007198  京ICP备10215607号-1  互联网药品信息服务资格证书:(京)-非经营性-2017-0056
//站内统计 //百度统计 //谷歌统计 //站长统计
*我要反馈: 姓    名: 邮    箱: