Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/37523
ORCID:  http://orcid.org/0000-0002-0366-5601
Document type: Tese
Access type: Acesso Embargado
Embargo Date: 2025-01-31
Title: Technological platforms in the prognosis of COVID-19: ATR-FTIR spectroscopy, metabolomic salivary analysis and machine learning
Alternate title (s): Plataformas tecnológicas no prognóstico do COVID-19: espectroscopia ATR-FTIR, análise metabolômica salivar e aprendizado de máquina
Author: Scheucher, Débora Lara Zuza
First Advisor: Cunha, Thulio Marquez
First coorientator: Maia, Yara Cristina de Paiva
First member of the Committee: Maia, Larissa Prado
Second member of the Committee: Arantes, Flávia Bittar Britto
Third member of the Committee: Andrade, Guilherme Marques
Fourth member of the Committee: Minamoto, Suzana Erico Tanni
Summary: A COVID-19 é uma infecção respiratória aguda grave causada pelo coronavírus SARS-CoV-2 que resultou em mais de 636 milhões de casos confirmados e 6,6 milhões de mortes no mundo, e o seu manejo continua desafiando as equipes de saúde. O desenvolvimento de novas plataformas tecnológicas para prever a gravidade e o prognóstico da doença são necessários para auxiliar os profissionais de saúde no processo de tomada de decisão, e melhorar o conhecimento sobre a fisiopatologia da doença e seu manejo. Neste contexto, a reflexão total atenuada associada à espectroscopia de infravermelho por transformada de Fourier (ATR-FTIR) consiste em uma espectroscopia vibratória que pode fornecer informações sobre a estrutura e composição química de materiais biológicos em nível molecular. A análise de metabolômica identifica compostos desconhecidos e determina a estrutura e as propriedades químicas das moléculas, refletindo o estado metabólico de órgãos e tecidos. Além disso, o aprendizado de máquina é outra plataforma promissora que usa inteligência artificial para tomar a decisão mais adequada com base no reconhecimento de padrões nos dados analisados. A maioria dos estudos utiliza essas ferramentas ligadas ao uso do sangue, porém são necessários métodos não invasivos, como por exemplo, o uso de saliva. Este estudo tem como objetivos: desenvolver modelos de algoritmos de aprendizado de máquina com valor preditivo e prognóstico baseados em assinaturas espectrais infravermelhas salivares de pacientes com COVID-19 para o prognóstico de (i) COVID-19 moderado versus grave, (ii) alta versus óbito e (iii) ausência de ventilação mecânica invasiva (VMI) versus VMI (Artigo 1); analisar os metabólitos da saliva de pacientes com COVID-19 coletados precocemente na internação para estratificação da doença por (i) gravidade – COVID-19 moderada vs grave, (ii) alta versus óbito e (iii) necessidade de VMI (Artigo 2). A saliva de 118 pacientes infectados com SARS-CoV-2 foi coletada no início da internação (média de 3,0 ± 3,2 dias) e analisada por ATR-FTIR, aprendizado de máquina e cromatografia líquida de alta eficiência hifenizada ao espectrômetro de massa (HPLC-MS). A classificação dos espectros de infravermelho salivar por máquina de vetores de suporte (SVM) mostrou (i) valor preditivo de gravidade – moderado vs grave [sensibilidade de 68%, especificidade de 52% e acurácia de 60%], (ii) valor preditivo de sobrevivência – alta vs morte [sensibilidade de 60%, especificidade de 64% e acurácia de 64%], (iii) valor preditivo de necessidade de VMI (sem VMI x VMI) [sensibilidade de 46%, especificidade de 72% e acurácia de 66%] (Artigo 1). O perfil metabolômico dos pacientes com COVID-19 mostrou envolvimento de purinas, amida, lipídios, sulfóxidos e cetonas. A metabolômica salivar permitiu identificar os metabólitos relacionados à maior gravidade da doença nos desfechos avaliados, que podem ser usados na seleção de um potencial biomarcador salivar para a avaliação da gravidade no início da internação e abrir novas perspectivas terapêuticas contra a COVID-19 (Artigo 2). Este estudo revela o potencial da análise salivar por meio da espectroscopia de ATR-FTIR, metabolômica e aprendizado de máquina como plataformas tecnológicas prognósticas para determinar o desfecho de pacientes com COVID-19.
Abstract: The COVID-19, caused by the severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) infection, resulted in more than 636 million confirmed cases and 6.6 million deaths worldwide, and its management remains a challenge for health teams. The development of novel tools for predicting COVID-19 severity and prognosis could assist healthcare professionals in the decision-making process, and improve knowledge about the pathophysiology of the disease. In this context, attenuated total reflection Fourier-transform infrared (ATR-FTIR) spectroscopy consists of a vibratory spectroscopy that can provide information about the structure and chemical composition of biological materials at the molecular level. Metabolomic analysis identifies unknown compounds, and determine structure and chemical properties of molecules, reflecting the metabolic state of organs and tissues. Moreover, machine learning is another promising platform that uses artificial intelligence to make the most appropriate decision based on pattern recognition within the analyzed data. Most of studies use these tools linked to the use of blood, however non-invasive methods are needed, for example, using saliva. This study aims to: develop predictive and prognostic value models of machine learning algorithms based on salivary infrared spectral signatures to the prognosis of (i) moderate vs severe COVID, (ii) discharge vs death, and (iii) no need of invasive mechanical ventilation (IMV) vs IMV outcomes for COVID-19 patients (Article 1); analyze the saliva metabolites from COVID-19 patients for disease stratification by (i) the disease progression - moderate or severe COVID, (ii) discharge vs death, and (iii) the need of IMV, performing the metabolomics of saliva collected in early stages of hospitalization (Article 2). We analyzed the saliva of 118 patients infected with SARS-CoV-2 by ATR-FTIR, machine learning and high-performance liquid chromatography hyphenated to the mass spectrometer (HPLC-MS) early in hospitalization (mean 3.0 ± 3.2 days). The classification of salivary infrared spectra by support vector machine (SVM) showed (i) a predictive value of severity – moderate vs severe [sensitivity of 68%, specificity of 52%, and accuracy of 60%], (ii) a predictive value of survival – discharge vs death [sensitivity of 60%, specificity of 64%, and accuracy of 64%], (iii) a predictive value of need of IMV (no IMV x IMV) [sensitivity of 46%, specificity of 72%, and accuracy of 66%] (Article 1). Metabolomic profile of COVID-19 patients showed an involvement of purines, amide, lipid, sulfoxide and ketones. Saliva metabolome allowed us to identify metabolites related to greater disease severity in the evaluated outcomes which might be used in selection of potential saliva biomarker for severity evaluation early in hospitalization and open new therapeutic perspectives against COVID-19 (Article 2). This study reveals the potential of salivary ATR-FTIR spectroscopy, metabolomic analysis and machine learning as prognostic technological platforms to determine outcome in COVID-19 patients.
Keywords: COVID-19
ATR-FTIR
Metabolômica
Metabolomic
Aprendizado de máquina
Machine learning
Máquina de vetores de suporte
Support vector machine
Saliva
Saliva
Area (s) of CNPq: CNPQ::CIENCIAS DA SAUDE::MEDICINA::CLINICA MEDICA::DOENCAS INFECCIOSAS E PARASITARIAS
CNPQ::CIENCIAS DA SAUDE::FISIOTERAPIA E TERAPIA OCUPACIONAL
Subject: Ciências médicas
COVID-19 (Doença) - Prognóstico
Aprendizado do computador
Saliva - Prognóstico
Language: eng
Country: Brasil
Publisher: Universidade Federal de Uberlândia
Program: Programa de Pós-graduação em Ciências da Saúde
Quote: SCHEUCHER, Débora Lara Zuza. Plataformas tecnológicas no prognóstico do COVID-19: espectroscopia ATR-FTIR, análise metabolômica salivar e aprendizado de máquina. 2022. 121 f. Tese (Doutorado em Ciências da Saúde) – Universidade Federal de Uberlândia, 2022. DOI http://doi.org/10.14393/ufu.te.2023.7004
Document identifier: http://doi.org/10.14393/ufu.te.2023.7004
URI: https://repositorio.ufu.br/handle/123456789/37523
Date of defense: 16-Dec-2022
Appears in Collections:TESE - Ciências da Saúde

Files in This Item:
File Description SizeFormat 
TechnologicalPlatformsPrognosis.pdf
  Until 2025-01-31
Tese3.44 MBAdobe PDFView/Open    Request a copy


This item is licensed under a Creative Commons License Creative Commons