多次新型冠状病毒核酸检测阴性新型冠状病毒肺炎的诊断(附1例报告)

目的探讨多次新型冠状病毒(2019-nCoV)核酸检测阴性、最终确诊的新型冠状病毒肺炎(COVID-19)患者的有效诊断方法。方法回顾性分析1例多次2019-nCoV核酸检测阴性、最终确诊的COVID-19患者的流行病学史、临床表现、血常规、血生化指标、胸部CT影像学检查及2019-nCoV核酸检测结果。结果该COVID-19患者有COVID-19确诊患者明确的接触史,临床表现为间断发热、乏力,血常规提示淋巴细胞绝对数降低及肝功能受损,胸部CT影像学可见双肺散在磨玻璃影,4次2019-nCoV核酸检测阴性,第5次2019-nCoV核酸检测阳性。结论多次2019-nCoV核酸检测阴性的COVID-19患者应该多部位取材,或检测患者血清抗体,以提高诊断准确性。

超声检查诊断新型冠状病毒肺炎的应用综述

目的:新型冠状病毒肺炎(COVID-19)感染率极高、传播速度极快,已成为全球大流行疫情。超声检查较比其他检查设备具有明显优点,例如便于携带、实时、无辐射、可动态、可重复、无创等,可作为除听、视、触、叩之外第五项临床前期诊断检查方法,能够完善现代化诊疗方案。临床研究表示,超声是能够最快速度对疑似病例筛查出的一种影像学方法,对COVID-19患者可实时监测到肺部的病变情况,同时还能与血管、心脏、其他脏器进行联合诊断病情,为COVID-19患者诊疗方案提供科学性依据。本文对COVID-19患者使用超声检查诊断其肺部情况、全身各器官功能损伤程度、病情实时监测、评测等方向进行综合性应用讲述,同时研究远程超声、超声机器人技术在COVID-19中的应用。

基于CGAN增强的新冠病毒拉曼光谱深度学习分类研究

新型冠状病毒的出现给全球经济、公共安全等方面带来严重损失。如今新型冠状病毒仍然在全球肆虐,加强病毒的检测和诊断是一项急需解决的工作,快速且准确地诊断新冠病毒对疫情防控尤为重要。随着技术的发展,深度学习在检测识别方面有了许多突破性进展,吸引着研究者的广泛关注。然而深度学习需要大量数据进行模型训练,而新冠病毒的拉曼光谱采集过程受到器件和环境等诸多问题的限制,导致获取大批量的数据非常困难。有限的训练数据会阻碍深度学习模型的训练,导致深度学习模型训练受阻,精度有限,以至于深度学习模型在真正的检测中表现不佳。为解决这一问题,该研究引入条件生成对抗网络,自动提取拉曼光谱数据特征,通过学习生成新的光谱来完成新冠病毒的拉曼光谱数据扩充工作。这些方法能有效增加训练集数量从而提高模型准确性。利用数据增强后的拉曼光谱数据和深度神经网络以及传统的机器学习方法逻辑回归、决策树、随机森林、支持向量机、KNN算法,完成新冠病毒的诊断。实验结果表明,深度神经网络对是否感染新型冠状病毒的预测准确率达到98%,高于传统机器学习算法,证明了深度学习模型在新冠病毒拉曼光谱检测中的优越性。该研究还对比了增强前后的数据集在不同模型中的表现,证明了数据增强的作用。与传统的检测方法相比,该方法具有无损、快速、准确等特点,为生物医学检测新冠病毒提供了一种新的思路。该方法可以为快速准确检测新冠病毒提供辅助,所采用的方法不仅可以应用于新冠病毒检测,还可以推广到其他疾病的诊断中,具有一定的实际应用价值。

基于XGBoost算法的新冠病毒拉曼光谱感染诊断

新型冠状病毒的出现给全球经济、公共安全等方面带来严重损失,快速且准确地诊断新冠病毒对控制疫情爆发尤为重要。将机器学习与拉曼光谱技术结合,选取157份(包含确诊和健康)血清样品对应的拉曼光谱数据作为样本。首先使用Min-max方法对样本数据归一化、Savitzky-Golay方法对光谱平滑滤波和线性判别分析方法LDA对光谱数据降维处理后,分别使用XGBoost、K近邻、支持向量机、逻辑回归算法构建预测模型。实验结果表明,相比三种传统的机器学习算法,基于集成算法XGBoost所构建的模型,对人类是否感染新型冠状病毒具有最高的预测准确率,且准确率达到95.6%,为生物医学检测新冠病毒提供一种无损辅助的方法。

基于金标免疫层析技术SARS-CoV-2抗体检测COVID-19的临床应用价值分析

目的研究基于金标免疫层析技术新型冠状病毒(SARS-CoV-2)抗体检测对新型冠状病毒肺炎(COVID-19)的临床应用价值。方法大肠杆菌表达SARS-CoV-2 N蛋白,应用重组N蛋白制备双抗原夹心SARS-CoV-2抗体金标检测试剂盒,用该试剂盒检测95例COVID-19确诊患者,41例疑似患者,88例排除COVID-19的发热和肺部感染患者及48例发热门诊工作医务人员血清样本,SARS-CoV-2核酸检测(RT-PCR)作为金标准对照,以特异性、灵敏度、阳性预测值、阴性预测值及准确度评价其临床应用价值。对比分析不同感染时期COVID-19确诊和疑似患者及境外输入性与本地COVID-19确诊和疑似患者SARS-CoV-2抗体检测结果。分析SARS-CoV-2抗体检测试剂交叉反应及基础性疾病干扰实验。采用SPSS 23.0软件进行统计分析,以P<0.05表示差异有统计学意义。结果SARS-CoV-2特异性抗体检测试剂的特异性、灵敏度、阳性预测值、阴性预测值及准确度分别为96.32%、81.05%、93.90%、87.91%、90.04%。COVID-19疑似患者的血清抗体阳性率与COVID-19确诊患者之间差异有统计学意义(P=0.002),与非COVID-19患者之间差异有统计学意义(P<0.001)。COVID-19确诊和疑似患者入院首次血清抗体阳性率与其住院期间的检测结果差异无统计学意义(P>0.05)。境外输入性COVID-19确诊和疑似患者抗体阳性率与本地患者之间差异均无统计学意义(P>0.05)。SARS-CoV-2抗体检测试剂与肺炎支原体和其他呼吸道病原体感染之间交叉反应较低,基础性疾病的干扰也较低。结论基于免疫层析的SARS-CoV-2抗体检测对COVID-19诊断特异性强,灵敏度和准确度高,与病毒核酸检测联合应用可用于COVID-19早期诊断和疑似患者的排除。