《The Journal of Emergency Medicine》：Mobile phone auscultation to diagnose influenza A in patients presenting to three different emergency departments
编辑推荐：
卡罗琳·艾米丽·戈瑟（Caroline Emily Gosser）| 马丁·许克尔（Martin Huecker）| 海莉·斯图德贝克（Haely Studebaker）| 贾里德·杰里米·托马斯（Jarred Jeremy Thomas）| 克雷格·齐格勒（Craig Zieg
卡罗琳·艾米丽·戈瑟（Caroline Emily Gosser）| 马丁·许克尔（Martin Huecker）| 海莉·斯图德贝克（Haely Studebaker）| 贾里德·杰里米·托马斯（Jarred Jeremy Thomas）| 克雷格·齐格勒（Craig Ziegler）| 瑞安·M·克洛斯（Ryan M. Close）
路易斯维尔大学医院（University of Louisville Hospital）
摘要
背景
流感是全球主要的健康负担，每年导致广泛的疾病、并发症和高昂的经济成本。当前的诊断方法和传统的听诊方法存在延迟、主观性和可及性挑战。利用移动电话进行听诊并结合计算建模提供了一种快速、可扩展且无创的检测方法。
目的
评估MPA在区分甲型流感与其他多种呼吸系统疾病及对照组方面的可行性和初步诊断性能。如果分类成功，将支持通过远程医疗音频记录进行甲型流感的诊断，从而扩大服务不足人群的覆盖范围。
方法
在这项前瞻性队列研究中，参与者被分为五个预定义的组：甲型流感、肺炎、急性支气管炎、其他呼吸系统疾病和对照组。受试者来自三个急诊科。使用未经修改的移动电话收集肺部声音记录。应用计算非线性生物流体力学技术提取特征，包括最大李雅普诺夫指数（MLE）和相关维度（Dcorr）。通过80/20聚类随机抽样创建训练集和测试集。拟合时间序列动态模型，并开发逻辑回归分类器以区分甲型流感和其他组。
结果
共有294名参与者被纳入研究，其中59人患有甲型流感。甲型流感组与对照组之间的基线差异仅限于种族。所有完整记录均被分析，模型表现良好，仅出现1例假阴性结果。敏感性为92%，特异性为85%，AUC为89%。
结论
MPA显示出从多种呼吸系统疾病和对照组中识别甲型流感的可行性和中等区分能力。这些发现支持进一步研究MPA作为潜在的辅助或筛查工具，特别是在资源有限的环境中。需要额外的研究来验证其性能、明确临床应用场景，并确定其与现有诊断方法的关系。
部分摘录
引言
流感感染每年感染多达10亿人，给个人和医疗系统带来巨大的直接和间接成本。美国疾病控制与预防中心（CDC）估计，在2010-2011年至2019-2020年的流感季节期间，流感导致了430万至2100万次医疗就诊、14万至81万次住院以及1.2万至6.1万例死亡[1]。并发症包括肺炎、心肌梗死等。
研究设置和参与者
这项前瞻性研究从一个学术医疗系统内的三个急诊科（一个一级创伤中心、一个城市三级护理中心和一个独立的农村急诊科）收集了数据。该研究由生物医学高级研究与发展局（BARDA）资助，旨在确定可用于疾病暴发的医疗应对措施的受试者群体。五个预定义的组别包括肺炎、甲型流感等。
结果
从2023年11月21日到2024年6月12日，研究团队共招募了294名参与者，平均年龄为49岁（标准差17.2岁），其中50.0%为男性；68.0%为白人，29.2%为黑人。各组的样本量接近预定目标：肺炎组64人，甲型流感组59人，急性支气管炎组38人，其他呼吸系统疾病组69人，对照组64人。
关于基线特征，甲型流感组与对照组仅在种族上存在差异。详见表1。表2比较了临床特征。
讨论
本研究实现了使用移动电话听诊区分甲型流感受试者的主要目标。在具有多种医疗状况的多样化队列中，MPA表现出令人印象深刻的准确性，证明了其作为筛查工具或辅助工具的潜力。对正常呼吸音、哮鸣音及其组合的建模取得了显著的敏感性、特异性和AUC。该研究由BARDA资助，旨在作为医疗应对措施的研究。
结论
这项研究发现，通过对移动电话听诊数据中的湍流进行时间序列动态建模，可以高灵敏度、高特异性地区分甲型流感与其他呼吸系统疾病和对照组。这些模型可以将准确的诊断和医疗应对措施带到资源匮乏的环境中。未来的研究应关注在更大、更多样化的人群中进行外部验证，并与标准诊断方法进行直接比较。
文章总结
为什么这个主题很重要？
这个主题很重要，因为流感每年影响多达10亿人，导致严重的疾病、住院和死亡。它还由于医疗费用和生产力损失给个人和医疗系统带来了巨大的经济负担。当前的诊断方法存在局限性，因此有必要开发更快、更易获取、更可靠的流感检测方法。
这项研究试图证明什么？
这项研究……
CRediT作者贡献声明
卡罗琳·艾米丽·戈瑟（Caroline Emily Gosser）：撰写——审稿与编辑、初稿撰写、监督、项目管理、数据管理。马丁·许克尔（Martin Huecker）：撰写——审稿与编辑、初稿撰写、可视化、监督、方法学、资金获取、数据管理、概念构思。海莉·斯图德贝克（Haely Studebaker）：可视化、数据分析。贾里德·杰里米·托马斯（Jarred Jeremy Thomas）：监督、资源协调、项目管理、方法学、资金获取。克雷格·齐格勒（Craig Ziegler）：方法学、正式文件准备。
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。
