Targeted plasma metabolomics combined with machine learning for the diagnosis of severe acute respiratory syndrome virus type 2
Notice bibliographique
Résumé
Introduction: The routine clinical diagnosis of severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) is largely restricted to real-time reverse transcription quantitative PCR (RT-qPCR), and tests that detect SARS-CoV-2 nucleocapsid antigen. Given the diagnostic delay and suboptimal sensitivity associated with these respective methods, alternative diagnostic strategies are needed for acute infection. Methods: We studied the use of a clinically validated liquid chromatography triple quadrupole method (LC/MS-MS) for detection of amino acids from plasma specimens. We applied machine learning models to distinguish between SARS-CoV-2-positive and negative samples and analyzed amino acid feature importance. Results: A total of 200 samples were tested, including 70 from individuals with COVID-19, and 130 from negative controls. The top performing model overall allowed discrimination between SARS-CoV-2-positive and negative control samples with an area under the receiver operating characteristic curve (AUC) of 0.96 (95%CI 0.91, 1.00), overall sensitivity of 0.99 (95%CI 0.92, 1.00), and specificity of 0.92 (95%CI 0.85, 0.95). Discussion: This approach holds potential as an alternative to existing methods for the rapid and accurate diagnosis of acute SARS-CoV-2 infection.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».