Ikke-invasiv påvisning af lungebetændelse i forbindelse med Covid-19 ved hjælp af gaskromatografi - ionmobilitetsspektrometri (GC-IMS)

Analyse af flygtige organiske forbindelser (VOC'er) i udåndet ånde er af stigende interesse ved diagnosticering af lungeinfektion. Over 2.000 VOC'er kan påvises gennem gaskromatografi og massespektrometri (GC-MS); mønstre af påvist VOC kan give information om kronisk obstruktiv lungesygdom, astma, lungekræft og interstitiel lungesygdom. Desværre kan GC-MS, selvom det er meget følsomt, ikke udføres ved sengen og tager i bedste fald timer at forberede prøver, køre analysen og derefter fortolke resultaterne.

Sammenlignet med andre metoder til åndedrætsanalyse tilbyder ionmobilitetsspektrometri (IMS) en ti gange højere påvisningshastighed af VOC'er. Ved at koble et ionmobilitetsspektrometer med en GC-søjle tilbyder GC-IMS øjeblikkelig todelt adskillelse af VOC'er med visualisering i et tredimensionelt kromatogram. Den samlede analysetid er omkring 300 sekunder, og udstyret er blevet miniaturiseret for at muliggøre bedside-analyse.

BreathSpec-maskinen er tidligere blevet brugt til at studere både strålingsskader hos patienter, der gennemgår strålebehandling på Edinburgh Cancer Center (REC ref 16-SS-0059, som en del af H2020 TOXI-triage-projektet, http://www.toxi-triage. eu/) og lungebetændelse hos patienter, der præsenterer sig på ED på Royal Infirmary of Edinburgh (REC ref 18-LO-1029). Dette arbejde har udviklet kunstig intelligens-metodologi, der tillader hurtig analyse af den store mængde data indsamlet fra disse åndedrætsprøver for at identificere signaturer, der kan indikere en bestemt patologisk proces, såsom lungebetændelse eller strålingsskade.

TOXI-triage-projektet viste, at BreathSpec GC-IMS hurtigt kunne triagere individer for at identificere dem, der var blevet udsat for særlige flygtige væsker i en masseulykkessituation (http://www.toxi-triage.eu/).

Et pilotforsøg vurderede brystinfektioner på den akutte medicinske enhed på Royal Liverpool University Hospital. Den endelige diagnostiske model tillod rimelig skelnen mellem bakterielle brystinfektioner og brystinfektioner på grund af andre midler med et areal under modtageroperatørens karakteristiske kurve (AUC-ROC) på 0,73 (95 % CI 0,61-0,86). De sammenfattende testkarakteristika var en sensitivitet på 62 % (95 % CI 41-80 %) og specificitet på 80 % (95 % CI 64 - 91 %) [8].

Dette blev udvidet i det EU H2020-finansierede "Breathspec Study", som havde til formål at differentiere udåndingsprøver fra patienter med bakteriel eller viral øvre eller nedre luftvejsinfektion. Over 1220 patienter blev rekrutteret, med 191 patienter identificeret som definitivt bakteriel infektion og 671 klassificeret som absolut ikke bakterielle. Virologi blev foretaget på alle patienter, med 259 patienter bekræftet virusinfektion. Datobehandling er stadig i gang for at afgøre, hvor godt de kan skelnes ved hjælp af denne metode. Mere end 100 patienter blev rekrutteret til denne undersøgelse i Edinburgh. Siden da er kunstig intelligens blevet indarbejdet i vores analytiske processer, hvilket muliggør hurtigere og mere raffineret analyse.

Vores ambition er, at denne teknologi vil identificere en signatur af Covid-19 lungebetændelse eller inden for 10 minutter i ikke-invasivt indsamlede udåndingsprøver for at tillade triage af patienter i høj- og lavrisikokategorier for Covid-19. Dette vil tillade målretning af knappe ressourcer og komplekse protokoller forbundet med højrisikopatienter, herunder personlige værnemidler (PPE), kohorter og dedikeret medicinsk og plejende personale.

En sund frivilligarm blev tilføjet i juli 2020 - 40 deltagere