呼吸模式和组织氧合的光学监测：在新冠肺炎筛查和监测中的潜在应用
分类：
PortaLite
作者：
Mah AJ, Nguyen T, Ghazi Zadeh L, Shadgan A, Khaksari K, Nourizadeh M, et al.
来源：
《Sensors》
发布时间：
2022-09-26
访问量：
哥伦比亚大学团队在影响因子为3.847分的三区《Sensors》期刊发表了一篇名为《Optical Monitoring of Breathing Patterns and Tissue Oxygenation: A Potential Application in COVID-19 Screening and Monitoring》的研究。证明了近红外传感器可以连续、非侵入性地监测呼吸模式，帮助诊断呼吸系统疾病，并有可能成为监测呼吸功能的设备。
01. 研究背景及意义
近日，由SARS-CoV-2奥密克戎突变毒株造成的感染在全球范围内爆发。其临床症状主要表现为严重的急性呼吸系统综合症，从而引起了对急性和慢性呼吸道疾病早期筛查、检测和监测技术的高度关注。
在新冠大流行初期，缺乏准确快速的筛查技术是导致病毒快速传播的重要原因。目前，确定新冠感染最常用的方法是分子检测(核酸)，但分子检测通常需要数小时才能出具结果，且病毒在特定的感染群体发生率中，周转时间可能需要三天及以上，并且还存在假阴性的结果。
分子检测的替代方法是抗原检测，其周期短速度快但其不如分子检测准确，假阴性概率高。并且这些检测方法不是监测技术，无论是核酸还是抗原都只提供有关病毒存在的信息，并不能提供感染患者的健康状况。因此，迫切需要一种快速、无创且廉价的方法来定期筛查和早期诊断急性肺炎，例如新冠肺炎，从而防止感染传播帮助患者恢复健康。
02. 研究目的
检验可穿戴近红外传感器采集的呼吸信号，用于区分正常呼吸和模拟病理呼吸的可行性和有效性。研究结果将有助于开发一种多模式生物传感器，用于早期急性肺炎患者的检测，例如新冠肺炎。
03. 研究方法
21名健康成年人参加实验，检查了五种不同的呼吸状况。呼吸信号通过安装在胸骨柄上的连续波近红外传感器PortaLite采集。三分钟基线后，参与者使用呼吸训练器进行五分钟强制呼吸。经五分钟的恢复期后，参与者进行五分钟的快速浅呼吸。研究结束增加五分钟的规律呼吸。使用机器学习模型对近红外光谱信号进行分析，区分正常和模拟的病理性呼吸。
近红外传感器的粘贴位置
(a)呼吸训练器(b)负荷呼吸阶段使用的设备
04. 研究结果
使用机器学习模型对近红外光谱信号进行分析，以区分正常和模拟的病理性呼吸。从NIRS数据中提取了三个特征：呼吸间隔、呼吸深度和O2Hb信号幅度，三者结合使用的加权平均精度达到了0.87。
每种情况下选择的特征:(a)呼吸间隔(b)呼吸深度(c)O2Hb信号振幅
使用三个特征中的两个时，加权平均准确率和F1得分分别降至0.79和0.77(呼吸间隔和呼吸深度)、0.78和0.76(呼吸间隔和O2Hb信号幅度)，0.63和0.62(呼吸深度和O2Hb信号幅度)。具体结果见下表。
使用不同呼吸特征的平均准确率
05. 结论
研究证明了一种可穿戴的近红外传感器可以连续、非侵入性地监测呼吸模式。此外，研究确定了三个呼吸特征：呼吸深度、呼吸间隔和氧合血红蛋白信号幅度，这些特征可以区分急性肺炎患者的正常和模拟病理性呼吸。通过监测呼吸功能，NIRS可以帮助诊断呼吸系统疾病，并有可能成为监测呼吸功能和康复的设备。
参考文献
Gandjbakhche AH, Shadgan B. Optical Monitoring of Breathing Patterns and Tissue Oxygenation: A Potential Application in COVID-19 Screening and Monitoring. Sensors (Basel). 2022 Sep 26;22(19):7274. doi: 10.3390/s22197274. PMID: 36236373; PMCID: PMC9573619.
关键词：
上一页
微信公众号
