Rapid diagnosis of COVID-19 using FT-IR ATR spectroscopy and machine learning
Carregando...
Data
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal de Minas Gerais
Descrição
Tipo
Artigo de periódico
Título alternativo
Diagnóstico rápido de COVID-19 usando espectroscopia FT-IR ATR e aprendizado de máquina
Primeiro orientador
Membros da banca
Resumo
Early diagnosis of COVID-19 in suspected patients is essential for contagion control and damage reduction strategies. We investigated the applicability of attenuated total refection (ATR) Fourier transform infrared (FTIR) spectroscopy associated with machine learning in oropharyngeal swab suspension fuid to predict COVID-19 positive samples. The study included samples of 243 patients from two Brazilian States. Samples were transported by using diferent viral transport mediums (liquid 1 or 2). Clinical COVID-19 diagnosis was performed by the RT-PCR. We built a classifcation model based on partial least squares (PLS) associated with cosine k-nearest neighbours (KNN). Our analysis led to 84% and 87% sensitivity, 66% and 64% specifcity, and 76.9% and 78.4% accuracy for samples of liquids 1 and 2, respectively. Based on this proof-of-concept study, we believe this method could ofer a simple, label-free, cost-efective solution for high-throughput screening of suspect patients for COVID-19 in health care centres and emergency departments.
Abstract
O diagnóstico precoce de COVID-19 em pacientes suspeitos é essencial para estratégias de controle de contágio e redução de danos. Investigamos a aplicabilidade da espectroscopia de infravermelho por transformada de Fourier atenuada (ATR) associada ao aprendizado de máquina em fluido de suspensão de swab orofaríngeo para prever amostras positivas de COVID-19. O estudo incluiu amostras de 243 pacientes de dois estados brasileiros. As amostras foram transportadas usando diferentes meios de transporte viral (líquido 1 ou 2). O diagnóstico clínico de COVID-19 foi realizado por RT-PCR. Construímos um modelo de classificação baseado em mínimos quadrados parciais (PLS) associados ao cosseno k-vizinhos mais próximos (KNN). Nossa análise levou a 84% e 87% de sensibilidade, 66% e 64% de especificidade e 76,9% e 78,4% de precisão para as amostras dos líquidos 1 e 2, respectivamente. Com base neste estudo de prova de conceito, acreditamos que este método pode oferecer uma solução simples, sem rótulo e econômica para triagem de alto rendimento de pacientes suspeitos para COVID-19 em centros de saúde e departamentos de emergência.
Assunto
COVID-19 (Doença), Espectroscopia de infravermelho com transformada de Fourier, Amostragem (Estatística), Aprendizado do computador
Palavras-chave
COVID-19, Machine learning, Attenuated total refection, Fourier transform infrared spectroscopy
Citação
Departamento
Curso
Endereço externo
https://www.nature.com/articles/s41598-021-93511-2