Machine learning enabled detection of COVID-19 pneumonia using exhaled breath analysis: a proof-of-concept study
Notice bibliographique
Résumé
Detection of the severe acute respiratory syndrome coronavirus-2 (SARS-CoV-2) relies on real-time-reverse-transcriptase polymerase chain reaction (RT-PCR) on nasopharyngeal swabs. The false-negative rate of RT-PCR can be high when viral burden and infection is localized distally in the lower airways and lung parenchyma. An alternate safe, simple and accessible method for sampling the lower airways is needed to aid in the early and rapid diagnosis of COVID-19 pneumonia. In a prospective unblinded observational study, patients admitted with a positive RT-PCR and symptoms of SARS-CoV-2 infection were enrolled from three hospitals in Ontario, Canada. Healthy individuals or hospitalized patients with negative RT-PCR and without respiratory symptoms were enrolled into the control group. Breath samples were collected and analyzed by laser absorption spectroscopy (LAS) for volatile organic compounds (VOCs) and classified by machine learning (ML) approaches to identify unique LAS-spectra patterns (breathprints) for SARS-CoV-2. Of the 135 patients enrolled, 115 patients provided analyzable breath samples. Using LAS-breathprints to train ML classifier models resulted in an accuracy of 72.2%-81.7% in differentiating between SARS-CoV2 positive and negative groups. The performance was consistent across subgroups of different age, sex, body mass index, SARS-CoV-2 variants, time of disease onset and oxygen requirement. The overall performance was higher than compared to VOC-trained classifier model, which had an accuracy of 63%-74.7%. This study demonstrates that a ML-based breathprint model using LAS analysis of exhaled breath may be a valuable non-invasive method for studying the lower airways and detecting SARS-CoV-2 and other respiratory pathogens. The technology and the ML approach can be easily deployed in any setting with minimal training. This will greatly improve access and scalability to meet surge capacity; allow early and rapid detection to inform therapy; and offers great versatility in developing new classifier models quickly for future outbreaks.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».