The science behind the nose: correlating volatile organic compound characterisation with canine biodetection of COVID-19
Notice bibliographique
Résumé
Background: The SARS-CoV-2 pandemic stimulated the advancement and research in the field of canine scent detection of COVID-19 and volatile organic compound (VOC) breath sampling. It remains unclear which VOCs are associated with positive canine alerts. This study aimed to confirm that the training aids used for COVID-19 canine scent detection were indeed releasing discriminant COVID-19 VOCs detectable and identifiable by gas chromatography (GC-MS). Methods: Inexperienced dogs (two Labradors and one English Springer Spaniel) were trained over 19 weeks to discriminate between COVID-19 infected and uninfected individuals and then independently validated. Getxent tubes, impregnated with the odours from clinical gargle samples, used during the canines' maintenance training process were also analysed using GC-MS. Results: Three dogs were successfully trained to detect COVID-19. A principal components analysis model was created and confirmed the ability to discriminate between VOCs from positive and negative COVID-19 Getxent tubes with a sensitivity of 78% and a specificity of 77%. Two VOCs were found to be very predictive of positive COVID-19 cases. When comparing the dogs with GC-MS, F1 and Matthew's correlation coefficient, correlation scores of 0.69 and 0.37 were observed, respectively, demonstrating good concordance between the two methods. Interpretation: This study provides analytical confirmation that canine training aids can be safely and reliably produced with good discrimination between positive samples and negative controls. It is also a further step towards better understanding of canine odour discrimination of COVID-19 as the scent of interest and defining what VOC elements the canines interpret as "essential".
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».