《Sensors & Diagnostics》：Snapshot of long COVID in young adults: fast screening using electronic noses
编辑推荐：
本研究首次采用电子鼻（e-Nose）技术对青年长期新冠肺炎（Long COVID, LC）患者呼气挥发性有机物（VOCs）进行代谢组学分析，发现LC患者存在特异性呼气指纹图谱。通过主成分分析（PCA）、偏最小二乘判别分析（PLS-DA）和随机森林（RF）等化学计量学方法，实现97.4%的区分准确率（AUC=0.966），为青年LC的快速筛查提供新型无创诊断工具。
青年长期新冠肺炎的临床特征与呼气代谢组学研究
研究背景
长期新冠肺炎（Long COVID, LC）是指SARS-CoV-2感染后持续存在的多系统症状综合征，严重影响患者生活质量。尽管多数研究聚焦老年或住院患者，但青年群体同样面临显著功能损害。本研究针对大学生群体，通过电子鼻（e-Nose）技术分析呼气挥发性有机物（VOCs），探索LC的快速筛查新方法。
研究方法
这项横断面研究纳入78名既往感染COVID-19的大学生（中位年龄20岁，56.4%女性），依据WHO德尔菲共识定义分为LC组（29.5%）和康复组。收集社会人口学、临床数据和肺活量测定结果，在受控环境下使用定制电子鼻系统采集呼气样本，并应用主成分分析（PCA）、偏最小二乘判别分析（PLS-DA）、主坐标典型分析（CAP）和随机森林（RF）等机器学习算法分析VOCs模式。
关键发现
急性期疲劳（OR=3.22）、呼吸困难（OR=6.09）、恶心（OR=3.57）和呕吐（OR=11.37）与LC显著相关。远期症状中，嗅觉丧失（OR=3.65）、睡眠障碍（OR=4.34）和心动过缓为LC特征性表现。尽管所有参与者肺活量测定（FEV1/FVC>70%）均正常，但电子鼻数据显示LC组呼气VOCs模式存在显著差异：PCA模型总方差解释率达94.1%，CAP的R2=0.95，PLS-DA分类准确率97.4%（Q2=0.534），RF模型的袋外误差仅3.42%，ROC曲线下面积（AUC）达0.966。传感器S4和S2被识别为最具判别力的生物标志物。
临床意义
本研究证实近三分之一青年COVID-19康复者存在LC，且传统肺功能检查无法识别其亚临床系统异常。电子鼻呼气分析作为一种非侵入性、快速（数分钟内完成）的筛查工具，在青年LC早期识别中展现巨大潜力。该技术未来或可整合至校园医疗体系，为学术表现受损的学生提供早期干预依据。需在更大规模队列中验证其临床适用性。
研究局限性与展望
样本量较小可能限制结果普适性，横断面设计无法推断因果关系。未来应开展多中心纵向研究，将VOCs模式与炎症标志物、自主神经功能等生物学指标关联，进一步阐明LC病理机制。电子鼻技术与临床参数（如心率变异性）的整合有望提升诊断精度。
