基于电子鼻技术的婴儿培养箱微生物挥发性有机物指纹无创实时感染监测系统

为解决新生儿重症监护中抗生素滥用和感染诊断延迟问题，韩国研究团队开发了基于LSTM模型的电子鼻系统，通过检测微生物挥发性有机物（mVOCs）实现七种病原体（包括金黄色葡萄球菌、大肠杆菌等）的实时鉴别，实验室准确率达97%，实际培养箱环境测试达85.4%，为智能培养箱的精准抗感染治疗提供了新方案。

　　

新生儿重症监护病房(NICU)中，培养箱内感染是导致早产儿死亡的高危因素。当前依赖血培养的诊断方法需24-48小时，而脆弱的患儿病情可能在数小时内恶化，迫使医生采用广谱抗生素"地毯式轰炸"，由此引发的抗生素耐药、真菌二重感染等问题日益严峻。更棘手的是，接触式检测会损伤早产儿娇嫩的皮肤，而各种监护导线又可能限制其正常发育。

韩国汉阳大学(Hanyang University)医学院Yongwoo Jang团队在《Sensors and Actuators B: Chemical》发表的研究，开创性地将电子鼻技术引入婴儿培养箱监测系统。这项研究瞄准了微生物代谢过程中释放的特异性挥发性有机物(mVOCs)，通过优化9种金属氧化物传感器阵列，结合长短期记忆神经网络(LSTM)，实现了对7种常见病原体的"气味指纹"识别。

关键技术包括：1)构建155升真实尺寸培养箱测试环境；2)筛选针对金黄色葡萄球菌(S. aureus)、表皮葡萄球菌(S. epidermidis)等病原体特征性mVOCs的传感器组合；3)采用18通道气路控制系统实现样本自动切换；4)应用LSTM模型处理时序传感器信号。研究团队特别模拟了临床常见的混合感染场景，在480×460×700mm标准培养箱内验证系统可靠性。

【电子鼻系统设计】
传感器阵列包含对乙醇、醛类等mVOCs敏感的9个金属氧化物传感器，通过气路控制系统实现样本/清洁空气的交替注入。数据采集单元以10Hz频率记录传感器电压变化，形成独特的"气味指纹"图谱。

【病原体鉴别性能】
在标准培养条件下，系统对7种病原体的分类准确率达97%，其中白色念珠菌(C. albicans)的识别灵敏度最高(98.6%)。定量分析显示所有病原体的浓度预测R2>0.80，表明其具备浓度监测潜力。

【实际应用验证】
在模拟真实临床环境的测试中，系统整体识别准确率保持在85.4%。值得注意的是，对革兰阴性菌(如肺炎克雷伯菌K. pneumoniae)的识别受培养箱气流影响较大，但通过LSTM模型的时序分析能力仍实现83.2%的准确率。

这项研究的突破性在于首次将mVOCs检测与人工智能结合应用于新生儿感染监测。相比传统方法，该系统具备三大优势：非接触式检测避免医源性感染、实时预警为抢救赢得时间、病原体分类指导精准用药。特别是对真菌感染的早期识别，可显著降低两性霉素B等强效抗真菌药的滥用风险。研究团队指出，下一步将开展多中心临床验证，并探索将系统集成到商业培养箱的可行性。该技术为破解NICU抗生素滥用困境提供了创新解决方案，标志着新生儿感染监测进入智能化时代。