Neuer Frequenzkamm-Alkoholtester erkennt COVID-19 mit ausgezeichneter Genauigkeit

JILA-Forscher haben einen Alkoholtester auf Basis der Nobelpreis-gekrönten Frequenzkamm-Technologie aufgerüstet und ihn mit maschinellem Lernen kombiniert, um eine SARS-CoV-2-Infektion mit hervorragender Genauigkeit bei 170 freiwilligen Probanden zu erkennen. Ihre Leistung stellt den ersten realen Test der Fähigkeit der Technologie dar, Krankheiten im ausgeatmeten menschlichen Atem zu diagnostizieren.

Ihre Studie zu diesem Thema wurde in der veröffentlicht Zeitschrift für Atemforschung.

Die Frequenzkammtechnologie hat das Potenzial, mehr Gesundheitszustände nicht-invasiv zu diagnostizieren als andere Atemanalysetechniken, und ist gleichzeitig schneller und möglicherweise genauer als einige andere medizinische Tests. Frequenzkämme dienen als Lineale zur präzisen Messung verschiedener Lichtfarben, einschließlich des Infrarotlichts, das von Biomolekülen im Atem einer Person absorbiert wird.

Der menschliche Atem enthält mehr als 1.000 verschiedene Spurenmoleküle, von denen viele mit bestimmten Gesundheitszuständen korrelieren. Der Frequenzkamm-Alkoholtester von JILA identifiziert chemische Signaturen von Molekülen basierend auf exakten Farben und Mengen von Infrarotlicht, das von einer Probe der ausgeatmeten Luft absorbiert wird.

Bereits 2008 demonstrierten Jun Ye und Kollegen von JILA den weltweit ersten Frequenzkamm-Alkoholtester, der die Absorption von Licht im nahen Infrarotbereich des optischen Spektrums maß. 2021 erreichten sie eine tausendfache Verbesserung der Nachweisempfindlichkeit, indem sie die Technik auf den mittleren Infrarot-Spektralbereich ausdehnten, wo Moleküle Licht viel stärker absorbieren. Dadurch können einige Atemmoleküle auf der Ebene von Teilen pro Billion identifiziert werden, wo diejenigen mit den niedrigsten Konzentrationen tendenziell vorhanden sind.

Der zusätzliche Vorteil dieser Studie war der Einsatz von maschinellem Lernen. Maschinelles Lernen – eine Form der künstlichen Intelligenz (KI) – verarbeitet und analysiert eine massive, komplexe Mischung von Daten aus allen Atemproben, die von 14.836 Kamm-„Zähnen“ gemessen werden, von denen jeder eine andere Farbe oder Frequenz darstellt, um ein Vorhersagemodell für die Diagnose zu erstellen Krankheit.

„Moleküle erhöhen oder verringern ihre Konzentration, wenn sie mit bestimmten Gesundheitszuständen in Verbindung gebracht werden. Maschinelles Lernen analysiert diese Informationen, identifiziert Muster und entwickelt zuverlässige Kriterien, die wir verwenden können, um eine Diagnose vorherzusagen“, sagte Qizhong Liang, ein Doktorand in der Jun Ye-Gruppe, der ist Hauptautor eines neuen Papiers, das die Ergebnisse präsentiert.

JILA wird gemeinsam vom National Institute of Standards and Technology (NIST) und der University of Colorado Boulder (CU Boulder) betrieben. Die Forschung wurde an Atemproben durchgeführt, die von Mai 2021 bis Januar 2022 von 170 Studenten und Mitarbeitern der CU Boulder gesammelt wurden. Etwa die Hälfte der Freiwilligen wurde mit Standard-PCR-Tests positiv auf COVID-19 getestet. Die andere Hälfte der Probanden wurde negativ getestet. Die junge Studiengruppe hatte ein Durchschnittsalter von 23 Jahren und alle waren über 18 Jahre alt. Die allgemeine Campusbevölkerung war zu mehr als 90 % geimpft.

„Ich denke, dass diese Kammtechnik allem da draußen überlegen ist“, sagte NIST/JILA Fellow Jun Ye. „Der grundlegende Punkt ist nicht nur die Erkennungsempfindlichkeit, sondern die Tatsache, dass wir eine weitaus größere Menge an Daten oder Atemmarkern generieren können, was wirklich ein ganz neues Feld der ‚Kamm-Atemforschung‘ mit Hilfe von KI begründet. Mit einer Datenbank, Wir können es dann verwenden, um viele andere physiologische Bedingungen für Menschen zu suchen und zu untersuchen und dabei zu helfen, die Zukunft der Gesundheitsversorgung voranzutreiben.“

Die JILA-Kammalkoholtestmethode zeigte eine hervorragende Genauigkeit beim Nachweis von COVID, indem maschinelle Lernalgorithmen für Absorptionsmuster verwendet wurden, um eine SARS-CoV-2-Infektion vorherzusagen. H2O (Wasser), HDO (halbschweres Wasser), H2CO (Formaldehyd), NH3 (Ammoniak), CH3OH (Methanol) und NO2 (Stickstoffdioxid) wurden als diskriminierende Moleküle zum Nachweis einer SARS-CoV-2-Infektion identifiziert.

Das Team maß die Genauigkeit seiner Ergebnisse, indem es ein Datendiagramm erstellte, das seine Vorhersagen von COVID-19 mit den PCR-Testergebnissen vergleicht (die zwar eine hohe, aber nicht perfekte Genauigkeit aufweisen). In der Grafik berechneten sie eine Größe, die als „Fläche unter der Kurve“ (AUC) bekannt ist. Für eine perfekte Unterscheidung zwischen Umgebungsluft und ausgeatmeter Luft wäre beispielsweise eine AUC von 1 zu erwarten. Eine AUC von 0,5 würde erwartet, um zufällige Vermutungen darüber anzustellen, ob die Personen in ungeraden oder geraden Monaten geboren wurden. Die Forscher maßen eine AUC von 0,849 für ihre COVID-19-Vorhersagen. Eine AUC von 0,8 oder mehr für medizinische Diagnosedaten gilt als „ausgezeichnete“ Genauigkeit.

In Zukunft könnten die Forscher die Genauigkeit weiter erhöhen, indem sie die spektrale Abdeckung erweitern, die Muster mit leistungsfähigeren KI-Techniken analysieren und zusätzliche Moleküle messen und analysieren, zu denen auch das SARS-CoV-2-Virus selbst gehören könnte. Forscher müssten eine Datenbank der spezifischen IR-Farben aufbauen, die vom Virus absorbiert werden (sein spektraler „Fingerabdruck“), um möglicherweise Viruskonzentrationen im Atem zu messen.

Die Forscher identifizierten auch signifikante Unterschiede in Atemproben basierend auf dem Tabakkonsum und einer Vielzahl von Magen-Darm-Symptomen wie Laktoseintoleranz. Dies deutet auf eine breitere Fähigkeit der Technik zum Diagnostizieren verschiedener Gruppen von Krankheiten hin.

Die Forscher planen weitere Studien, um zu versuchen, andere Erkrankungen wie die chronisch obstruktive Lungenerkrankung zu diagnostizieren, die laut Weltgesundheitsorganisation die dritthäufigste Todesursache weltweit ist. Die Forscher haben kürzlich auch die diagnostische Leistung des Kamm-Alkoholtesters verstärkt, indem sie die spektrale Abdeckung erweitert haben, um zusätzliche Moleküle zu erkennen. Sie planen, zusätzliche KI-Ansätze wie Deep Learning einzusetzen, um die Fähigkeiten zur Erkennung von Krankheiten zu verbessern. Es werden bereits Anstrengungen unternommen, um die Technologie zu miniaturisieren und zu vereinfachen, um sie tragbar und in Krankenhäusern und anderen Pflegeeinrichtungen benutzerfreundlich zu machen.

Ye sagte, es bestehe Interesse seitens der medizinischen Fachwelt, den Kamm-Alkoholtester weiterzuentwickeln und kommerzialisieren zu sehen. Bevor die Technologie in medizinischen Einrichtungen eingesetzt werden könnte, wäre eine Zulassung durch die US-amerikanische Food and Drug Administration (FDA) erforderlich.

Die derzeit am weitesten verbreitete Analysetechnik in der Atemforschung ist die Gaschromatographie in Kombination mit Massenspektrometrie, die Hunderte von ausgeatmeten Molekülen nachweisen kann, aber langsam arbeitet und normalerweise mehrere zehn Minuten dauert. Die Verwendung eines chemischen Prozesses verändert unvermeidlich Atembestandteile und stellt analytische Herausforderungen dar, um Atemprofile genau zu identifizieren. Die Frequenzkammtechnologie misst Atemmoleküle zerstörungsfrei und in Echtzeit und kann eine genauere und wiederholbare Bestimmung des ausgeatmeten Ateminhalts fördern.

Diese Geschichte wurde mit freundlicher Genehmigung von NIST neu veröffentlicht. Lesen Sie die Originalgeschichte Hier.