Liquid saliva-based Raman spectroscopy device with on-board machine learning detects COVID-19 infection in real-time
Notice bibliographique
Résumé
With greater population density, the likelihood of viral outbreaks achieving pandemic status is increasing. However, current viral screening techniques use specific reagents, and as viruses mutate, test accuracy decreases. Here, we present the first real-time, reagent-free, portable analysis platform for viral detection in liquid saliva, using COVID-19 as a proof-of-concept. We show that vibrational molecular spectroscopy and machine learning (ML) detect biomolecular changes consistent with the presence of viral infection. Saliva samples were collected from 470 individuals, including 65 that were infected with COVID-19 (28 from hospitalized patients and 37 from a walk-in testing clinic) and 251 that had a negative polymerase chain reaction (PCR) test. A further 154 were collected from healthy volunteers. Saliva measurements were achieved in 6 minutes or less and led to machine learning models predicting COVID-19 infection with sensitivity and specificity reaching 90%, depending on volunteer symptoms and disease severity. Machine learning models were based on linear support vector machines (SVM). This platform could be deployed to manage future pandemics using the same hardware but using a tunable machine learning model that could be rapidly updated as new viral strains emerge.
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 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».