ES2968298T3 - Dispositivo y método para la detección y clasificación de patógenos - Google Patents

Dispositivo y método para la detección y clasificación de patógenos Download PDF

Info

Publication number
ES2968298T3
ES2968298T3 ES18772393T ES18772393T ES2968298T3 ES 2968298 T3 ES2968298 T3 ES 2968298T3 ES 18772393 T ES18772393 T ES 18772393T ES 18772393 T ES18772393 T ES 18772393T ES 2968298 T3 ES2968298 T3 ES 2968298T3
Authority
ES
Spain
Prior art keywords
pathogens
image processing
spectra
time
fluorescence
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
ES18772393T
Other languages
English (en)
Inventor
Geethanjali Radhakrishnan
John King
Meenatchi U
Aayush Gupta
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Adiuvo Diagnostics Pvt Ltd
Original Assignee
Adiuvo Diagnostics Pvt Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Adiuvo Diagnostics Pvt Ltd filed Critical Adiuvo Diagnostics Pvt Ltd
Application granted granted Critical
Publication of ES2968298T3 publication Critical patent/ES2968298T3/es
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/6408—Fluorescence; Phosphorescence with measurement of decay time, time resolved fluorescence
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0071—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by measuring fluorescence emission
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • A61B5/026—Measuring blood flow
    • A61B5/0261—Measuring blood flow using optical means, e.g. infrared light
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
    • A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
    • A61B5/14556—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases by fluorescence
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
    • A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
    • A61B5/445—Evaluating skin irritation or skin trauma, e.g. rash, eczema, wound, bed sore
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4842—Monitoring progression or stage of a disease
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient; User input means
    • A61B5/742—Details of notification to user or communication with user or patient; User input means using visual displays
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/645—Specially adapted constructive features of fluorimeters
    • G01N21/6456—Spatial resolved fluorescence measurements; Imaging
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2505/00—Evaluating, monitoring or diagnosing in the context of a particular type of medical care
    • A61B2505/01—Emergency care
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N2021/6417—Spectrofluorimetric devices
    • G01N2021/6419—Excitation at two or more wavelengths
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/02—Mechanical
    • G01N2201/022—Casings
    • G01N2201/0221—Portable; cableless; compact; hand-held
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Dermatology (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Radiology & Medical Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Hematology (AREA)
  • Cardiology (AREA)
  • Bioinformatics & Cheminformatics (AREA)

Abstract

La presente materia describe dispositivos y métodos para la detección y clasificación de patógenos. El dispositivo (100) comprende un módulo de imágenes (102), un módulo de procesamiento de imágenes (104) y un módulo de visualización (106). El módulo de imágenes (102) comprende una pluralidad de fuentes de luz (108) para exponer una muestra a radiación de excitación en varias longitudes de onda. Un detector (114) en el módulo de imágenes (102) debe capturar sincrónicamente espectros de emisión de fluorescencia resueltos en el tiempo, espectros de reflectancia y transmitancia resueltos en el tiempo en múltiples bandas espectrales de la muestra. El módulo de procesamiento de imágenes (104) resuelve los espectros y compara los parámetros espectrales obtenidos con un conjunto de parámetros estándar proporcionados en una base de datos de biblioteca (118) para determinar una coincidencia y, por lo tanto, detecta y clasifica patógenos. (Traducción automática con Google Translate, sin valor legal)

Description

DESCRIPCIÓN
Dispositivo y método para la detección y clasificación de patógenos
Campo técnico
La presente materia sujeto se relaciona en general con un dispositivo y un método para la detección y clasificación de patógenos, y en particular con un dispositivo y un método para la detección y clasificación de patógenos in situ, automática y no invasiva.
Antecedentes de la invención
Las enfermedades infecciosas causadas por patógenos, como bacterias, protozoos, virus y hongos, generalmente se agravan en pacientes con enfermedades primarias, como diabetes mellitus o SIDA. La pronta identificación del patógeno causante ayuda a realizar un tratamiento oportuno y a evitar muertes. Los métodos tradicionales de identificación de patógenos basados en pruebas morfológicas y bioquímicas incluyen cultivos, métodos basados en ADN y detección basada en anticuerpos. Otras técnicas de identificación de patógenos incluyen la reacción en cadena de la polimerasa (PCR, por sus siglas en inglés), la espectroscopia de infrarrojos por transformada Raman y de Fourier (FTIR, por sus siglas en inglés), y similares. WO2009/140757 A1 describe un dispositivo que utiliza video de reflectancia y fluorescencia y mediciones de imágenes fijas y permite identificar patógenos.US2016/377547 A1 describe espectroscopía de fluorescencia inducida por láser con resolución espectral y temporal para identificar tejido biológico. "Espectroscopia de vida útil en estado estacionario y fluorescencia para la identificación y clasificación de patógenos bacterianos", Fahti Awad et al., Biomedical Spectroscopy and Imaging 3 (2014) 381-391 describe espectroscopía de vida útil de fluorescencia y estado estacionario para la identificación de bacterias. EE.UU. 2014/377795 A1 divulga dispositivos y métodos para la clasificación de microorganismos tales como bacterias usando análisis de componentes principales y bosques aleatorios u otros tipos de clasificadores, redes neuronales y algoritmos de aprendizaje automatizados.
Breve descripción de los dibujos
La descripción detallada se describe con referencia a las figuras adjuntas. En las figuras, el dígito(s) más a la izquierda de un número de referencia identifica la figura donde aparece por primera vez el número de referencia. Se utilizan los mismos números en todos los dibujos para hacer referencia a características y componentes similares.
La Figura 1 representa una representación esquemática de un dispositivo para la detección y clasificación de patógenos, de acuerdo con una implementación de la presente materia sujeto.
La Figura 2 muestra una representación esquemática de un módulo de formación de imágenes, de acuerdo con una implementación de la presente materia sujeto.
La Figura 3 representa un método para construir una base de datos de la biblioteca, de acuerdo con una implementación de la presente materia sujeto.
La Figura 4 ilustra un método para la detección y clasificación de patógenos, de acuerdo con una implementación de la presente materia sujeto.
La Figura 5 ilustra otro método más para la detección y clasificación de patógenos, de acuerdo con una implementación de la presente materia sujeto.
Fig. 6 ilustra el espectro de emisión de excitación de: (a) Candida albicans (b) especies de Candida distintas de Candida albicans (c) Pseudomonas aeruginosa (d) Staphylococcus aureus (e) Escherichia coli, de acuerdo con una implementación de la presente materia sujeto.
La Figura 7 ilustra mapas autoorganizados construidos a partir de espectros de espectroscopia de matriz de emisión de excitación (EEMS, por sus siglas en inglés) de: (a) especies de Candida distintas de Candida albicans (b) Candida albicans (c) Escherichia coli (d) Pseudomonas aeruginosa (e) Staphylococcus aureus (f) combinación de (a)-(e), de acuerdo con una implementación de la presente materia sujeto en cuestión.
Fig. 8 ilustra el espectro de fluorescencia de: (a)E. coli,(b)Staphylococcus aureusy (c)Enterococcusa longitudes de onda de excitación de 370 nm y 410 nm, de acuerdo con una implementación de la presente materia sujeto.
La Figura 9 ilustra espectros de fluorescencia deStaphylococcus aureussubcultivado de (a) esputo, tejido óseo, hisopo de oído (b) pus (c) pus (d) esputo, tejido óseo, hisopo de oído, de acuerdo con una implementación de la presente materia sujeto.
La Figura 10 ilustra el análisis de componentes principales de los espectros de fluorescencia deStaphylococcus aureus, Escherichia coliyPseudomonas aeruginosaa una excitación de 410 nm, de acuerdo con una implementación de la presente materia sujeto.
La Figura 11 ilustra el análisis de componentes principales de los espectros de fluorescencia deStaphylococcus aureus, Escherichia coli, Pseudomonas aeruginosayCandida albicansa una excitación de 335 nm, de acuerdo con una implementación de la presente materia sujeto.
La Figura 12 representa la relación de los picos de emisión de fluorescencia deStaphylococcus aureus y Escherichia colicon excitación de 370 nm y 410 nm, de acuerdo con una implementación de la presente materia sujeto.
La Figura 13 representa espectros de fluorescencia deEscherichia colirecolectados en diferentes etapas de crecimiento, de acuerdo con una implementación de la presente materia sujeto.
La Figura 14 representa cambios de fotoblanqueo y autofluorescencia en (a)Enterococcus faecalis.y (b)Staphylococcus aureus,de acuerdo con una implementación de la presente materia sujeto.
La Figura 15 representa la medición de la vida útil de la fluorescencia deStaphylococcus aureus, Escherichia colicon una excitación de 370 nm, de acuerdo con una implementación de la presente materia sujeto.
La Figura 16 representa (a) imágenes con luz blanca y (b) segmentación de imágenes en una herida basada en imágenes con luz blanca, de acuerdo con una implementación de la presente materia sujeto.
La Figura 17 representa (a) imágenes de luz blanca e (b) imágenes de autofluorescencia en una mano infectada con hongos para identificarMalassezia furfur,de acuerdo con una implementación de la presente materia sujeto. La Figura 18 representa (a) imágenes de luz blanca y (b) imágenes de autofluorescencia que muestran la presencia dePropionibacterium acnesen la cara, de acuerdo con una implementación de la presente materia sujeto.
La Figura 19 representa (a) imágenes de luz blanca (b)-(c) imágenes de fluorescencia que muestran la presencia de candida dentro de la cavidad bucal, de acuerdo con una implementación de la presente materia sujeto.
La Figura 20 representa (a) imágenes de luz blanca (b)-(d) imágenes de fluorescencia con excitación de 370 nm y 395 nm capturadas en varias bandas espectrales a 470 nm, 520 nm y 620 nm, emisión de co-colonización de bacterias en una herida, de acuerdo con una implementación de la presente materia sujeto.
La Figura 21: representa (a) una imagen de luz blanca y (b) una imagen fluorescente de una herida usando el dispositivo, de acuerdo con una implementación de la presente materia sujeto.
La Figura 22: representa (a) imagen de luz blanca de una herida, (b)-(d) imágenes fluorescentes de la herida, (e) espectros de fluorescencia usando el dispositivo, de acuerdo con una implementación de ejemplo de la presente materia sujeto. La Figura 23 representa (a) una imagen de luz blanca y (b) una imagen de fluorescencia superpuesta codificada por colores de hongos dermatofitos usando el dispositivo, de acuerdo con una implementación de ejemplo de la presente materia sujeto.
La Figura 24 representa el seguimiento de la herida (a) Día 0 (b) Día 2 (c) Día 4 (d) Día 9 usando el dispositivo, de acuerdo con una implementación de la presente materia sujeto.
Descripción detallada
La presente materia sujeto proporciona un dispositivo y un método para la detección y clasificación in situ, automática y no invasiva de patógenos según las reivindicaciones 1 y 13 respectivamente.
Las infecciones leves causadas por patógenos pueden agravarse en pacientes con enfermedades y trastornos, como el síndrome de inmunodeficiencia adquirida (SIDA) y la diabetes. Por lo general, estas infecciones leves también pueden volverse fatales si el patógeno causante no se detecta rápidamente. Las pruebas morfológicas y bioquímicas para la detección de patógenos, como cultivos bacterianos, métodos basados en ADN y detección basada en anticuerpos, son laboriosas, requieren mucho tiempo y requieren muchos reactivos. Los métodos moleculares como la reacción en cadena de la polimerasa (PCR) son rápidos y precisos, pero costosos. La espectroscopía infrarroja por transformada de Fourier (FTIR) y Raman son métodos eficientes, pero necesitan equipos costosos y operadores capacitados. Además, los patógenos, como los hongos, son difíciles de cultivar y, por lo tanto, requieren gran habilidad e instalaciones. Generalmente, para controlar la infección y debido a las limitaciones de tiempo asociadas con las técnicas mencionadas anteriormente, a menudo se inicia la terapia antibiótica empírica antes de la identificación del patógeno. Esto puede provocar resistencia a los antibióticos y otras complicaciones médicas relacionadas.
Han surgido pocos dispositivos para detectar bacterias y hongos de forma no invasiva basados en la propiedad de autofluorescencia de los patógenos cuando se excitan con una luz ultravioleta (UV). Sin embargo, estos dispositivos utilizan fluorescencia en estado estacionario. La fluorescencia en estado estacionario generalmente no proporciona especificidad para distinguir diferentes patógenos, ya que la mayoría de los patógenos tienen marcadores de autofluorescencia similares. Por ejemplo, la mayoría de las bacterias tienen triptófano, nicotinamida adenina dinucleótido (NADH), nicotinamida adenina dinucleótido fosfato (NADPH), porfirina, flavinas y similares. Solo unos pocos patógenos tienen biomoléculas distinguibles, por ejemplo, pioverdina en el caso dePseudomonas aeruginosa.Por lo tanto, generalmente no es posible distinguir patógenos con alta especificidad basándose en la técnica de autofluorescencia.
En los últimos tiempos, los estudios de vida de fluorescencia también se han utilizado para la detección y clasificación de patógenos. Sin embargo, estos estudios no se han llevado a cabo in situ sino en muestras de sangre preparadas previamente. Por lo tanto, estos estudios no tienen en cuenta variaciones debidas a las condiciones ambientales, pH, fase de crecimiento del organismo, concentración y similares. Por lo tanto, la detección y clasificación in situ de microbios ha demostrado ser un gran desafío debido a los factores mencionados anteriormente que afectan la cinética del patógeno. Además, han utilizado todo el espectro de longitudes de onda para la clasificación, lo que requiere instrumentos voluminosos y costosos. Por lo tanto, estos métodos no son adecuados para su uso en dispositivos de punto de atención para la detección y clasificación de patógenos in situ.
La presente materia sujeto proporciona dispositivos para la detección y clasificación rápida, no invasiva, automática e in situ de patógenos, en varias implementaciones de ejemplo. Un dispositivo de ejemplo comprende un módulo de imágenes, un módulo de procesamiento de imágenes y un módulo de visualización. El módulo de formación de imágenes comprende una pluralidad de fuentes de luz para emitir radiación de excitación en un rango predeterminado de longitudes de onda. El módulo de imágenes también comprende un interruptor óptico para exponer una muestra que comprende patógenos a la radiación de excitación durante una duración predeterminada y una periodicidad predeterminada. El módulo de imágenes comprende además un detector configurado para capturar sincrónicamente espectros de emisión de fluorescencia resueltos en el tiempo, espectros de reflectancia y transmitancia resueltos en el tiempo, en múltiples bandas espectrales de la muestra. El módulo de procesamiento de imágenes está acoplado al módulo de imágenes. El módulo de procesamiento de imágenes comprende un procesador de imágenes para realizar la resolución espacial y temporal de los espectros de emisión de fluorescencia resueltos en el tiempo, la reflectancia resuelto en el tiempo y los espectros de transmitancia resueltos en el tiempo para obtener una pluralidad de parámetros espectrales. El módulo de procesamiento de imágenes comprende además una base de datos de la biblioteca que comprende un conjunto de parámetros espectrales estándar identificables con patógenos de referencia. El módulo de procesamiento de imágenes sirve para comparar cada uno de la pluralidad de parámetros espectrales con el conjunto de parámetros espectrales estándar para detectar y clasificar el patógeno. El dispositivo comprende además un módulo de visualización para mostrar un resultado basado en la comparación. La presente materia sujeto proporciona además un método para la detección y clasificación de los patógenos.
El dispositivo puede ser portátil y puede ser un dispositivo de mano. Los dispositivos y métodos proporcionan una detección y clasificación de patógenos in situ, automática y no invasiva. Tal como se utiliza en el presente documento, se entenderá que in situ se refiere a la detección de patógenos en la muestra de una fuente sin ningún procesamiento previo de la muestra. Por ejemplo, la muestra puede ser una muestra de sangre o una muestra de aire o similar. El dispositivo también se puede utilizar para detectar patógenos en una herida en un sitio del cuerpo y dicha herida también puede denominarse muestra.
Dado que el dispositivo funciona basándose en la espectroscopía de patógenos resuelta en el tiempo obtenida utilizando una combinación de espectros de fluorescencia resueltos en el tiempo y reflectancia resuelta en el tiempo, y espectros de transmitancia resueltos en el tiempo, los biomarcadores asociados con varios patógenos clínicamente relevantes se pueden distinguir en función de su firma/ parámetros espectrales característicos extraídos de sus espectros de fluorescencia resueltos en el tiempo y reflectancia resueltos en el tiempo, y espectros de transmitancia resueltos en el tiempo, en varias bandas espectrales designadas. Además, a diferencia de los voluminosos espectroscopios actualmente disponibles, el dispositivo puede fabricarse de forma portátil, compacto, liviano y, por lo tanto, fácil de usar para los médicos.
Se han descrito en el presente documento varios ejemplos de implementaciones y aplicaciones de los dispositivos y métodos de la presente materia sujeto con fines ilustrativos. Se entenderá que la aplicación de los dispositivos y métodos no se limita a estos ejemplos. Además, en diferentes aplicaciones, los dispositivos y métodos pueden proporcionar algunas o todas las ventajas aquí descritas y se entenderá que, dependiendo de la implementación, los dispositivos y métodos también pueden proporcionar diferentes ventajas.
Por ejemplo, el dispositivo puede integrarse en procedimientos clínicos normales y utilizarse en telemedicina y teleasistencia sanitaria. Además, la mayoría de los patógenos clínicamente relevantes pueden detectarse y clasificarse en unos minutos. Además, la adquisición y el análisis de datos pueden realizarse automáticamente. Por lo tanto, el dispositivo se puede utilizar fácilmente sin necesidad de técnicos expertos. Esta característica ayuda a decidir rápidamente el protocolo de tratamiento. El dispositivo también se puede utilizar para la detección y clasificación de patógenos en entornos con recursos escasos.
El dispositivo de la presente materia sujeto se puede utilizar para la cuantificación de diversos patógenos presentes en la muestra. La información de fluorescencia dependiente de la intensidad y el tiempo en diversas bandas espectrales se puede obtener de la muestra y compararse con los datos de intensidad de fluorescencia de la base de datos de la biblioteca para la cuantificación de la intensidad. El dispositivo también se puede utilizar para controlar la cicatrización y el cierre de heridas. El dispositivo también se puede utilizar para estudiar parámetros de la herida, como el tamaño de la herida, la profundidad de la herida, la distribución de la temperatura de la herida, la clasificación del tejido, la información de la biopelícula, el grado de contaminación, la oxigenación del tejido y el flujo sanguíneo.
El dispositivo también se puede utilizar para estudiar la susceptibilidad a los antimicrobianos observando y analizando los espectros exponiendo la muestra a varios antibióticos. Por ejemplo, el dispositivo se puede utilizar para estudiar bacterias cultivadas con antibióticos y se pueden registrar las firmas de biomarcadores correspondientes. Esta información se puede utilizar para obtener información sobre los antibióticos que se prescribirán en función de la susceptibilidad antimicrobiana de la bacteria en particular. Debe entenderse que también se puede estudiar la susceptibilidad antimicrobiana de otros patógenos, como los hongos. Además, la dosis y concentración de los antibióticos también se pueden decidir en función de los factores de dilución, para determinar la dosis de los antibióticos o antifúngicos que se administrarán.
El dispositivo se puede configurar para estudiar la composición biomolecular de varios patógenos y su comportamiento cinético en función de sus firmas de fluorescencia. El dispositivo también se puede utilizar en cosmetología. Por ejemplo, el dispositivo puede usarse para detectar la presencia de Propionibacterium que causa el acné. El dispositivo también se puede utilizar durante el injerto de tejido para garantizar que el tejido esté libre de patógenos. El dispositivo puede usarse para detección forense, por ejemplo, para detectar patógenos en fluidos corporales tales como saliva, sangre, moco y similares. El dispositivo puede configurarse para estudiar la eficacia de los desinfectantes en diversas superficies de hospitales tales como camas, paredes, manos, guantes, vendajes, apósitos, catéteres, endoscopios, equipos hospitalarios, dispositivos sanitarios y similares.
Las características, aspectos y ventajas anteriores y otras de la materia en cuestión se explicarán mejor con respecto a la siguiente descripción y las figuras adjuntas. Cabe señalar que la descripción y las figuras simplemente ilustran los principios de la presente materia sujeto junto con los ejemplos descritos en el presente documento y no deben interpretarse como una limitación de la presente materia sujeto. Por tanto, se entiende que pueden idearse diversas disposiciones que, aunque no se describen ni se muestran explícitamente en el presente documento, incorporan los principios de la presente divulgación. Además, todas las declaraciones contenidas en el presente documento que citan principios, aspectos y ejemplos de los mismos pretenden abarcar equivalentes de los mismos. Además, en aras de la simplicidad y sin limitación, se utilizan los mismos números en todos los dibujos para hacer referencia a características y componentes similares.
La Figura 1 ilustra un dispositivo de ejemplo 100 para la detección y clasificación de patógenos, de acuerdo con una implementación de ejemplo de la presente materia sujeto. En un ejemplo, el dispositivo 100 es un dispositivo portátil. El dispositivo 100 comprende un módulo de imágenes 102, un módulo de procesamiento de imágenes 104 y un módulo de visualización 106.
El módulo de imágenes 102 comprende una pluralidad de fuentes de luz 108 configuradas para emitir radiación de excitación en un rango predeterminado de longitudes de onda. El módulo de formación de imágenes 102 comprende además un interruptor óptico 110a configurado para exponer una muestra 112 que comprende patógenos a la radiación de excitación durante una duración predeterminada y una periodicidad deseada predeterminada.
El módulo de imágenes 102 comprende además un detector 114 configurado para capturar sincrónicamente espectros de emisión de fluorescencia resueltos en el tiempo, reflectancia resueltos en el tiempo y espectros de transmitancia resueltos en el tiempo en múltiples bandas espectrales de la muestra 112. El módulo de procesamiento de imágenes 104 está acoplado al módulo de imágenes 102.
El módulo de procesamiento de imágenes 104 comprende un procesador de imágenes 116 para realizar la resolución espacial y temporal de los espectros de emisión de fluorescencia, reflectancia y espectros de transmisión para obtener una pluralidad de parámetros espectrales. El módulo de procesamiento de imágenes 104 también comprende una base de datos de la biblioteca 118 que comprende un conjunto de parámetros espectrales estándar identificables con varios patógenos de referencia. El módulo de procesamiento de imágenes 104 debe comparar cada uno de la pluralidad de parámetros espectrales, en tiempo real, con el conjunto de parámetros espectrales estándar en la base de datos de la biblioteca 118 para detectar y clasificar los patógenos. El dispositivo 100 también puede comprender un controlador de fuente de luz y una unidad de control 120 y un controlador de detector y una unidad de control 122 para operar y manipular las fuentes de luz 108 y el detector 114.
La Figura 2 muestra una representación esquemática del módulo de imágenes 102, de acuerdo con una implementación de la presente materia sujeto. Como se explicó anteriormente, el módulo de imágenes 102 comprende la pluralidad de fuentes de luz 108. La Figura 2 muestra una única fuente de luz. Sin embargo, como se entenderá, se puede utilizar cualquier número de fuentes de luz. El tipo de fuente de luz en el módulo de imágenes 102 depende de factores, tales como la aplicación y el rango de longitud de onda requerido para la aplicación. En un ejemplo, la pluralidad de fuentes de luz 108 puede disponerse en diversas geometrías y configuraciones. La pluralidad de fuentes de luz 108 puede incluir, entre otras: un diodo emisor de luz, un láser, una fuente de luz coloreada, una fuente de luz configurable, luz ambiental o cualquier combinación de las mismas. Por lo tanto, a diferencia de las técnicas de espectroscopia tradicionales que requieren fuentes de luz voluminosas, tales como lámparas halógenas, el tamaño del dispositivo 100 puede reducirse utilizando las fuentes de luz mencionadas anteriormente.
En un ejemplo, la radiación de excitación de las fuentes de luz tiene una longitud de onda en el intervalo de aproximadamente 250 nm a aproximadamente 2500 nm. En un ejemplo, la radiación de excitación tiene una longitud de onda en el intervalo de longitudes de onda de aproximadamente 300 nm a aproximadamente 1100 nm. Por lo tanto, a diferencia de las técnicas de espectroscopia típicas, el dispositivo puede incluir fuentes de luz para un rango específico de longitudes de onda, lo que permite reducir aún más el tamaño del dispositivo y permitir que se fabrique como un dispositivo portátil. El rango de longitud de onda de excitación se puede elegir dependiendo de las características fluorescentes de los biomarcadores asociados con los patógenos probables contenidos o que se van a detectar en la muestra 112.
En un ejemplo, el módulo de imágenes 102 comprende además componentes ópticos para eliminar longitudes de onda de radiación no deseadas. Por ejemplo, el módulo de formación de imágenes 102 puede comprender filtros ópticos, polarizadores, lentes ópticas, espejos y homogeneizadores. La Figura 2 representa lentes ópticas 202a, 202b, denominadas colectivamente lentes ópticas 202, y filtros ópticos 204a, 204b, denominados colectivamente filtros ópticos 204, acoplados tanto con la fuente de luz 108 como con el detector 114. Debe entenderse que se pueden acoplar una variedad de lentes ópticas 202 adecuadas, filtros ópticos 204 y una combinación de ambos a la fuente de luz 108 o al detector 114, o a ambos. En otro ejemplo, se incluye una serie de filtros ópticos 204 y lentes ópticas 202 en el módulo de imágenes 102 y se pueden usar mecanismos conocidos en la técnica para seleccionar los filtros ópticos 204 y lentes ópticas 202 requeridos.
Por ejemplo, la selección de los filtros ópticos 204 y las lentes ópticas 202 se puede lograr de forma manual o automática. En un ejemplo, los filtros ópticos 204 y las lentes ópticas 202 están dispuestos en forma poligonal. En un ejemplo, se puede usar un filtro óptico lineal o un mecanismo de cambio de lente óptica lineal usando un control deslizante lineal. En otro ejemplo, se puede usar un mecanismo de cambio de filtro circular, donde los filtros ópticos 204 y las lentes ópticas 202 están dispuestos en un disco circular giratorio que puede moverse manualmente o unirse a un servomotor. En este ejemplo, la posición de los filtros ópticos 204 y las lentes ópticas 202 frente al detector 114 puede controlarse mediante una aplicación de teléfono inteligente para capturar los espectros de emisión de fluorescencia en las bandas espectrales deseadas. En ciertas realizaciones, los filtros ópticos 204 pueden configurarse para capturar los espectros de emisión en las siguientes longitudes de onda: 415 nm, 470 nm, 515 nm, 560 nm, y 620 nm.
El módulo de imágenes 102 comprende además un interruptor óptico 110a, 110b, denominado colectivamente interruptor óptico 110 que ayuda a ajustar la periodicidad y duración de la radiación de excitación sobre la muestra 112. El tipo de interruptor óptico 110 y la configuración general de los componentes seleccionados dependen de la aplicación del dispositivo 100. En un ejemplo, el interruptor óptico 110 es una unidad de control de LED pulsada que puede alcanzar una pluralidad de períodos de pulsación y ciclos de trabajo. El ciclo de trabajo y el período de pulsación pueden ser proporcionados por un usuario. Se puede configurar un controlador de impulsos para controlar un oscilador, un bucle de bloqueo de fase y un módulo generador de impulsos según lo proporcione el usuario. El generador de impulsos y el módulo controlador de LED controlan el LED según la configuración aplicada. Debe entenderse que, basándose en la periodicidad y duración predeterminadas, se puede utilizar, como se entenderá, un interruptor mecánico, un interruptor electrónico o un interruptor optoelectrónico.
En un ejemplo, el dispositivo 100 puede ser un teléfono inteligente acoplado con fuentes de luz, lentes ópticas y filtros adecuados donde se puede usar una cámara del dispositivo 100 como detector 114 para capturar fluorescencia, reflectancia e imágenes transmitidas. En dicho ejemplo, el teléfono inteligente puede estar acoplado a una placa de circuito impreso de diodos emisores de luz de múltiples longitudes de onda. También se puede conectar una carcasa de bloqueo de luz al teléfono inteligente para minimizar la interferencia de la luz ambiental.
En un ejemplo, el detector 114 debe capturar espectros emitidos y reflejados en el intervalo de longitudes de onda de aproximadamente 300 nm a aproximadamente 4000 nm. Los espectros transmitidos se pueden capturar si el detector se coloca en una geometría de transmisión, es decir, opuesta a la fuente de luz, en lugar de una geometría de reflexión (el mismo plano que la fuente de luz). En un ejemplo, las imágenes de fluorescencia se combinan con imágenes reflectantes de infrarrojo cercano (usando fuentes de 650 nm a 2500 nm) e infrarrojo medio (usando fuentes de 2500 nm a 4000 nm) para monitorear la oxigenación de los tejidos y la cicatrización de heridas. Se puede utilizar cualquier detector 114 adecuado en el dispositivo 100 en función de la longitud de onda espectral que se va a capturar. En un ejemplo, el detector 114 comprende al menos uno de los siguientes: un dispositivo de carga acoplada, una cámara semiconductora de óxido metálico complementario, un fotodiodo de avalancha, un detector de silicio, un detector de arseniuro de indio y galio, una cámara de arseniuro de indio y galio, detector de indio y galio. detector de antimonuro, cámara bolómetro, detector de tubo fotomultiplicador, o cualquier combinación de los mismos. Los detectores y cámaras basados en silicio se utilizan normalmente para obtener imágenes de fluorescencia e imágenes reflectantes en el rango visible. Las cámaras y detectores de arseniuro de indio y galio se utilizan normalmente para el rango del infrarrojo cercano y la antimonita de indio y los bolómetros se usan para el rango del infrarrojo medio. El detector de fotodiodos de avalancha y tubo fotomultiplicador se utilizan normalmente en aplicaciones que requieren una alta sensibilidad de detección. El tipo de detector 114 usado, aunque reduce la resolución en comparación con los espectroscopios tradicionales, también ayuda a reducir el volumen y, por lo tanto, proporciona un dispositivo 100 que tiene un factor de forma reducido y es portátil.
La mayoría de los patógenos tienen marcadores de autofluorescencia similares (por ejemplo: la mayoría de las bacterias tienen aminoácidos como triptófano, tirosina, fenilalanina, nicotinamida adenina dinucleótido (NaDH), nicotinamida adenina dinucleótido fosfato (NaDPH), porfirinas, etc.). Sólo unas pocas bacterias tienen biomoléculas específicas como la pioverdina (en el caso de Pseudomonas aeuriginosa) y la ptiriolactona (en el caso de Malesseciae). Por lo tanto, los picos de emisión de fluorescencia en estado estacionario de algunos de estos biomarcadores caen en la misma región de longitud de onda. Por lo tanto, la espectroscopia de fluorescencia en estado estacionario por sí sola no es suficiente para distinguir entre patógenos, y mucho menos clasificarlos. Pero diferentes patógenos secretan estas biomoléculas de interés autofluorescentes, en función de sus condiciones ambientales, vías bioquímicas, pasos de liberación de energía, vías de adquisición de hemo que conducen a diversas secreciones de sideróforos extracelulares como enterobactina, rizobactina, hidroxamatos, etc. Estas interacciones con el medio ambiente cambian significativamente con respecto al tiempo. Por lo tanto, la espectroscopia de resolución temporal, tanto fluorescente como de reflexión o transmisión, es una mejor herramienta para distinguir entre patógenos. El dispositivo 100 como se describe en el presente documento para medir la fluorescencia tanto en estado estacionario como resuelta en el tiempo puede mejorar la especificidad y sensibilidad de la detección y la precisión de la clasificación de patógenos.
El dispositivo 100, de la presente materia sujeto, está configurado para capturar espectros de fluorescencia de la muestra 112 aparte de la luz reflejada o transmitida. En un ejemplo, el dispositivo 100 está diseñado para capturar espectros de fluorescencia resueltos en el tiempo de la muestra 112, ya que la espectroscopia de fluorescencia en estado estacionario por sí sola no es suficiente para clasificar la mayoría de los patógenos clínicamente relevantes. Sin embargo, en algunos ejemplos, se pueden utilizar adicionalmente espectros de fluorescencia en estado estacionario para la clasificación preliminar de patógenos de alto nivel.
En un ejemplo, los espectros reflejados o transmitidos con resolución temporal combinados con espectros de fluorescencia resueltos en el tiempo son útiles para la clasificación de patógenos clínicamente relevantes. La espectroscopia de fluorescencia de resolución temporal puede abarcar la espectroscopia de vida útil de la fluorescencia o la espectros de fotoblanqueo, o ambas. Por lo tanto, en las realizaciones de la presente invención, el dispositivo 100 está configurado para capturar sincrónicamente al menos uno de los siguientes datos de la muestra: espectros de fluorescencia en estado estacionario, espectros de vida útil de fluorescencia o espectros de fotoblanqueo junto con reflectancia resuelta en el tiempo y espectros de transmitancia resueltos.
En el ejemplo donde el dispositivo 100 va a obtener espectros de vida de fluorescencia de la muestra 112, la radiación de excitación tiene una duración predeterminada en el rango de aproximadamente 1 ps a aproximadamente 1 s y la periodicidad predeterminada en el rango de aproximadamente 0,01 ns a aproximadamente 1 s. En otro ejemplo, cuando el dispositivo es un espectro de fotoblanqueo, la radiación de excitación tiene una duración predeterminada en el rango de aproximadamente 1 ms a aproximadamente 10 s y la periodicidad predeterminada en el rango de aproximadamente 0,01 s a aproximadamente 1 min. Estas periodicidades y duraciones de la radiación de excitación se pueden lograr mediante la selección de interruptores ópticos 110 apropiados.
Para la espectroscopía del tiempo de vida de la fluorescencia, la muestra 112 se expone a pulsos de radiación de excitación, a una longitud de onda de excitación particular (periódicamente) y los espectros fluorescentes emitidos se capturan en diferentes momentos de tiempo (habilitados por el interruptor óptico 110 acoplado al detector 114) en varias bandas espectrales. Esto se puede hacer en dos o más longitudes de onda de excitación según los patógenos que deben clasificarse y la precisión del resultado requerido. De esta manera, se puede capturar el comportamiento cinético fluorescente de varios biomarcadores asociados con los múltiples patógenos que están presentes en la muestra 112.
Para la espectroscopía de fotoblanqueo, la muestra 112 se excita a una longitud de onda de excitación particular durante una duración particular (habilitada por el interruptor óptico acoplado a la fuente de luz) y los espectros fluorescentes emitidos se capturan en diferentes momentos dentro de esa duración (habilitada por el interruptor óptico 110 acoplado al detector 114) en varias bandas espectrales. Esto se puede hacer en dos o más longitudes de onda de excitación según los patógenos que deben clasificarse y la precisión del resultado requerido. De esta manera, se puede capturar el comportamiento de fotoblanqueo de varios biomarcadores asociados con los múltiples patógenos que están presentes en la muestra 112.
En las realizaciones de la presente invención, el módulo de procesamiento de imágenes 104 está acoplado al módulo de imágenes 102 y funciona simultáneamente para procesar las imágenes recibidas desde el módulo de imágenes 102. El procesador de imágenes 116 debe realizar una resolución espacial y temporal de los espectros de emisión y reflectancia o transmisión de la muestra 112. La resolución espacial de los espectros es útil para extraer la distribución espacial de los patógenos en la muestra 112. La resolución temporal de los espectros es útil para extraer la fluorescencia de los patógenos dependiente del tiempo. La resolución espacial está determinada por el módulo de imágenes 102 y puede ajustarse según la aplicación. De manera similar, la resolución temporal está determinada por el interruptor óptico 110 y puede sintonizarse dependiendo de la aplicación. En un ejemplo, la resolución del dispositivo 100 está en un rango de 1 a 2 nm según la aplicación. Como la resolución requerida para la detección y clasificación de patógenos es baja, el volumen y el factor de forma del dispositivo 100 también son menores en comparación con los espectroscopios tradicionales. El volumen y el factor de forma del dispositivo 100 se pueden reducir seleccionando adecuadamente la pluralidad de fuentes de luz, detectores y otros componentes en el dispositivo 100.
En un ejemplo, el procesador de imágenes 116 debe procesar todos los espectros de emisión de fluorescencia resueltos en el tiempo, los espectros de reflectancia resueltos en el tiempo y los espectros de transmitancia resueltos en el tiempo de la muestra 112 para obtener los parámetros espectrales asociados con los biomarcadores. En un ejemplo, los datos espectrales recopilados en varias bandas espectrales de la muestra 112 son procesados por el procesador de imágenes 116 y se comparan, en tiempo real, con los datos espectrales estándar identificables con varios patógenos de referencia. El término "tiempo real" indica que la comparación se produce inmediatamente después de que la muestra 112 se expone a la radiación de excitación y el detector 114 obtiene los espectros. Por lo tanto, la comparación se puede realizar en el punto de uso del dispositivo 100 y los resultados de la comparación se pueden obtener en unos pocos minutos en lugar de en unas pocas horas o días como normalmente se requiere.
En un ejemplo, el procesador de imágenes 116 procesa los datos espectrales para extraer ciertos parámetros espectrales críticos que pueden ser útiles para distinguir los diversos patógenos clínicamente relevantes. En un ejemplo, la pluralidad de parámetros espectrales comprende al menos uno de los siguientes: relaciones de amplitud de los espectros de emisión de fluorescencia, relaciones de amplitud de los espectros de reflectancia, relaciones de amplitud de los espectros de transmitancia, ancho de banda de los espectros de emisión de fluorescencia, semimáximos de ancho completo de los espectros de emisión de fluorescencia, o cualquier combinación de los mismos. Los parámetros de amplitud y ancho de banda espectral en diversas bandas espectrales se extraen usando técnicas estándar de procesamiento de señales/imágenes, como se entenderá. Los tiempos de vida de fluorescencia y fotoblanqueo y las amplitudes relativas se extraen usando un ajuste multiexponencial a los valores de intensidad obtenidos del detector 114.
En un ejemplo, se pueden realizar inicialmente experimentos con patógenos presentes en diversas muestras infectadas con patógenos in situ y se ha capturado un conjunto de parámetros espectrales estándar identificables con diversos patógenos de referencia y se pueden almacenar en la base de datos de la biblioteca 118. El término "in situ" en el presente documento se refiere a una muestra no tratada. Por lo tanto, para la detección y clasificación de los patógenos, la muestra 112 no se somete a ningún procesamiento o tratamiento, reduciendo así el consumo de tiempo y la necesidad de mano de obra calificada.
En un ejemplo, la base de datos de la biblioteca 118 comprende al menos uno de los siguientes: espectros de matriz de emisión de excitación, espectros de fluorescencia de matriz de emisión de excitación, espectros de reflectancia, espectros de transmitancia, tiempos de vida de fluorescencia, tiempos de fotoblanqueo, coeficientes de absorción, coeficientes de reflexión, coeficientes de transmisión, dispersión. coeficientes, datos de intensidad normalizados, relaciones de intensidad y diferentes longitudes de onda de excitación y emisión o cualquier combinación de los mismos, identificables con varios patógenos de referencia.
En el módulo de procesamiento de imágenes 104, cada uno de los parámetros espectrales extraídos del procesador de imágenes 116 se compara, en tiempo real, con la base de datos de la biblioteca 118 para determinar si cada uno de los parámetros espectrales es identificable con un patógeno de referencia específico contenido en el base de datos de la biblioteca 118. En un ejemplo, la comparación se basa en un primer modelo de procesamiento de imágenes proporcionado en la base de datos de la biblioteca 118. El primer modelo de procesamiento de imágenes se obtiene a partir del conjunto de parámetros espectrales estándar identificables con patógenos de referencia.
En un ejemplo, el módulo de procesamiento de imágenes 104 usa algoritmos de aprendizaje automático para actualizar el primer modelo de procesamiento de imágenes a una segunda base de datos de la biblioteca de modelos de procesamiento de imágenes 118. Los algoritmos de aprendizaje automático ayudan en la captura y análisis automatizados de datos. Los algoritmos de aprendizaje automático normalmente mejoran la especificidad y precisión de la clasificación lograda por el dispositivo 100.
En un ejemplo, se sigue un enfoque de aprendizaje automático para crear y actualizar el modelo de detección de patógenos. En dicho ejemplo, las características se extraen antes de iniciar el análisis. En un caso, las características incluyen longitud de onda de excitación, longitud de onda de emisión, longitud de onda de emisión de fluorescencia dependiente del tiempo y amplitud. Normalmente, tanto la tasa de desintegración como la posición del pico de emisión cambian con respecto al tiempo. Las características extraídas se obtienen de una base de datos de referencia que comprende longitudes de onda de excitación, longitudes de onda de emisión, tiempo y amplitud de la señal emitida, que también incluyen la proporción de diferentes picos de emisión en la excitación de múltiples longitudes de onda, la respuesta de fluorescencia de las biomoléculas dependiente del tiempo y sus proporciones. En un ejemplo, estas características extraídas se transforman en componentes principales usando la técnica de Análisis de Componentes Principales como se conoce en la técnica. En dicho ejemplo, después de este análisis, se utiliza la agrupación K Vecino más cercano para agrupar los datos transformados. Esto se puede realizar hasta que el modelo pueda generalizar el conjunto de datos y pueda detectar patógenos con un buen grado de especificidad y sensibilidad. Las características relacionadas con nuevos patógenos que se detectan pueden agregarse periódicamente a la base de datos de la biblioteca 118 para mantener actualizado el módulo de procesamiento de imágenes 104.
La Figura 3 ilustra el enfoque de aprendizaje automático 300 que se utiliza para actualizar incrementalmente el módulo de procesamiento de imágenes 104 que realiza la clasificación y cuantificación de una pluralidad de patógenos. El módulo de procesamiento de imágenes 104 comprende un primer modelo de procesamiento de imágenes para detectar patógenos a partir de los patógenos de referencia basándose en la comparación como se explicó anteriormente. El primer modelo de procesamiento de imágenes puede almacenarse en la base de datos de la biblioteca 118. Se introducen nuevos datos 302 (espectros de emisión de fluorescencia espacial y temporal, espectros de reflectancia y transmitancia) al módulo de procesamiento de imágenes 104 para ser procesados. Los nuevos datos 302 comprenden un nuevo conjunto de parámetros espectrales estándar identificables con un nuevo patógeno de referencia. La base de datos de la biblioteca 118 recibirá los nuevos datos 102. El módulo de procesamiento de imágenes 104 obtiene la pluralidad de parámetros espectrales y toma una decisión y muestra el resultado. En caso de que el usuario necesite ingresar una nueva clase de patógeno, podrá hacerlo manualmente.
La pluralidad de parámetros espectrales que pertenecen a dicha clase también deben incluirse en la base de datos de la biblioteca 118. Un conjunto de creación de modelos 304 del dispositivo 100 puede leer la base de datos de la biblioteca 118 y, posteriormente, proporciona una pluralidad de modelos de procesamiento de imágenes. La pluralidad de modelos de procesamiento de imágenes se proporciona en base al nuevo conjunto de parámetros espectrales estándar identificables con el nuevo patógeno de referencia y el conjunto de parámetros espectrales estándar identificables con el patógeno de referencia. Un validador cruzado 306 del dispositivo 100 puede entonces usar un esquema de votación para fijar un segundo modelo de procesamiento de imágenes de la pluralidad de modelos de procesamiento de imágenes. El segundo modelo de procesamiento de imágenes reemplazará al primer modelo de procesamiento de imágenes. Utilizando el segundo modelo de procesamiento de imágenes, optimizado mediante aprendizaje automático como se explicó anteriormente, se clasifican posteriormente los patógenos.
Se puede utilizar cualquier procesador de imágenes adecuado 116 en función de la potencia y velocidad de cálculo específicas requeridas. En un ejemplo, el procesador de imágenes 116 puede ser al menos uno de los siguientes: una unidad de procesamiento de gráficos, una matriz de puertas programables en campo, un circuito integrado de aplicación específica optimizado para una aplicación objetivo particular, una unidad de microcontrolador, una unidad de microprocesador, un procesador digital procesador de señal, un procesador de un solo núcleo, un procesador de múltiples núcleos, un procesador de sistema en chip, una cámara multiespectral (donde los filtros ópticos en las bandas espectrales de emisión deseadas se fabrican monolíticamente en el generador de imágenes CCD o CMOS) o cualquier combinación de los mismos.
El dispositivo 100 de la presente materia sujeto es capaz de clasificar la mayoría de los patógenos clínicamente relevantes dentro de un nivel de precisión aceptable para diversas aplicaciones. El dispositivo 100 es capaz de clasificar el patógeno según su familia, género, especie y nivel de cepa. En un ejemplo, el dispositivo 100 puede usarse para distinguir una bacteria grampositiva de una bacteria gramnegativa. En otro ejemplo, el dispositivo 100 puede usarse para distinguir una especie de bacteria resistente a fármacos de sus otras variantes. La detección e identificación de patógenos se produce en unos pocos minutos y el dispositivo 100 se puede utilizar fácilmente sin mucha formación técnica.
Los patógenos clínicamente relevantes que pueden detectarse y clasificarse utilizando el dispositivo 100 de la presente invención incluyen, entre otros,Staphylococcus sp.,Pseudomonas, Escherichia, Candida, Malassezia, Proteus, Propionibacterium, Clostridium, Acinetobacter, Enterococcus, Klebsiella, Streptococcus, Salmonella, Mycobacterium y Corynebacterium. El dispositivo 100 puede configurarse para distinguir entre bacterias y hongos, o distinguir dentro de las bacterias según los tipos de clases en: Actinobacteria, Bacteroidia, Chlamydiae, Bacilli, Fusobacteria, Betaproteobacteria, Gammaproteobacteria, Mollicutes. Los hongos se pueden clasificar según los tipos de clases en: Ascomycota, Basidiomycota. La clasificación también puede basarse en tipos gram de bacterias: Tipo gram negativo que comprende pero sin limitación a Pseudomonas, Escherichia, Klebsiella, Proteus, Gram positivo: Staphylococcus, Enterococcus, Streptococcus, Corynebacterium. La clasificación también puede basarse en el género: Corynebacterium, Micrococcus, Mycobacterium, Staphylococcus, Streptococcus, Clostridium, Neisseria, Helicobacter, Enterobacter, Escherichia, Klebsiella, Pseudomonas, Proteus, Salmonella, Mycoplasma. La clasificación también puede basarse en el tipo de especie que comprende, entre otras: Corynebacterium diphtheria, Mycobacterium tuberculosis, Chlamydia trachomatis, Bacillus anthracis, Enterococcus faecalis, Staphylococcus aureus, Staphylococcus epidermis, Streptococcus pneumonia, Streptococcus pyogenes, clostridium difficile, Neisseria gonorrhoeae, Helicobacter pylori, Escherichia coli, Klebsiella pneumonia. La clasificación también puede depender de la aplicación; en caso de detección de enfermedades en el esputo con respecto a la Tuberculosis, la clasificación de las especies de Mycobacterium Tuberculosis puede ser importante, en el caso de enfermedades de transmisión sexual hisopo vaginal, el género chlamydia puede ser de interés, en el caso de Ántrax, se puede detectar la especie Bacillus anthracis, en el caso de infecciones de la piel, es posible que sea necesario detectar y clasificar Staphylococcus aureus, Staphylococcus epidermis, Pseudomonas aeruginosa, Streptococcus epidermis, Corynebacterium diphtheria, Proteus mirabilis, Escherichia coli. En caso de detección de úlcera gástrica, Helicobacter pylori puede ser de interés. En caso de contaminación de alimentos, Salmonella typhi puede ser relevante. En caso de infección urinaria, es posible que sea necesario clasificar Escherichia coli, Proteus mirabilis y Proteus vulgaris. En caso de contaminación transmitida por el aire, es necesario clasificar la distinción entre bacterias y hongos. En el caso de una prueba de susceptibilidad a los antimicrobianos, el dispositivo 100 se puede colocar sobre una placa recubierta de antibiótico donde se puede recubrir la muestra 112 que contiene las bacterias y el dispositivo 100 se puede usar para obtener el patrón de susceptibilidad.
El dispositivo 100 de la presente invención es adecuado para estudiar los patógenos presentes en diversos tipos de muestras 112. La muestra puede comprender uno o más de los siguientes: una parte del cuerpo, una herida, un fluido, una superficie, un producto consumible, un equipo de laboratorio, un dispositivo sanitario, un equipo sanitario, aire ambiente, un chip de ensayo bioquímico, un microfluido. chip, pus, sangre, orina, saliva, sudor, semen, moco, plasma o cualquier combinación de los mismos para aplicaciones que van desde úlceras del pie diabético, infecciones del sitio quirúrgico, quemaduras, infecciones hospitalarias de la piel y los tejidos blandos, dermatología, cosmetología y cirugía plástica. , manejo de infecciones en hospitales, enfermedades de la piel, monitoreo de terapia fotodinámica, pruebas de susceptibilidad a los antimicrobianos.
El dispositivo 100 de la presente materia sujeto es automático, fácil de usar y puede integrarse perfectamente en el procedimiento clínico en pequeñas clínicas, hospitales o en casa. El dispositivo 100 comprende un módulo de visualización 106 para mostrar al usuario el resultado, basado en la comparación de los espectros detectados y los espectros en la base de datos. Normalmente, el resultado comprende al menos uno de los siguientes: detección de diversos patógenos presentes en la muestra, datos de distribución espacial de patógenos, datos del estado de crecimiento de patógenos, datos de coconización, información de biopelículas, información de biomarcadores, datos de cuantificación de patógenos, un protocolo de tratamiento, o cualquier combinación de los mismos. El resultado que se muestra en pantalla también puede ser manipulado por el usuario, compartido y almacenado para uso futuro y cualquier otro análisis posterior.
En un ejemplo, el dispositivo 100 comprende además una interfaz hombre-máquina que comprenderá uno o más de los siguientes: Diodos emisores de luz, pantalla de cristal líquido, pantalla de transistores de película delgada, pantalla OLED (diodo emisor de luz orgánico, por sus siglas en inglés), pantalla táctil capacitiva, pantalla táctil resistiva, interruptores de palanca, botones. Estas pantallas y botones digitales permiten a los usuarios usar y manipular el dispositivo fácilmente.
El dispositivo 100 puede funcionar con baterías o fuentes de alimentación de CA/CC estándar. El dispositivo 100 puede incluir un software que permite al operador controlar y manipular las características y modos del dispositivo, almacenar y analizar los datos, compartir o recuperar los datos cuando sea necesario. El dispositivo 100 puede configurarse para transferencia de datos por cable o inalámbrica. El dispositivo 100 puede configurarse además para interconectarse con un dispositivo externo tal como una impresora, una computadora, una tableta, una unidad de visualización o un disco duro externo. En un ejemplo, el dispositivo 100 puede estar fijado a un brazo robótico. En un ejemplo, el dispositivo 100 está configurado para funcionamiento automático. En dicho ejemplo, se puede configurar una retroalimentación positiva entre el módulo de imágenes 102 y el módulo de procesamiento de imágenes 104 que se puede utilizar para capturar automáticamente los datos hasta que se logre la identificación de los patógenos más relevantes con la precisión deseada.
La Figura 4 ilustra un método de ejemplo 400 para detectar y clasificar patógenos, de acuerdo con los principios de la presente materia sujeto. El orden donde se describe el método 400 no pretende ser una limitación, y cualquier número de los bloques de métodos descritos se puede combinar en cualquier orden para implementar el método 400 o un método alternativo. Además, se pueden eliminar bloques individuales del método 400 sin apartarse del espíritu y alcance del tema descrito en el presente documento. Además, el método 400 puede implementarse en cualquier hardware, instrucciones legibles por computadora, firmware o combinación de los mismos adecuados. Para su discusión, el método 400 se describe con referencia a las implementaciones ilustradas en las figuras. 1-2.
Un experto en la técnica reconocerá fácilmente que los pasos del método 400 pueden realizarse mediante computadoras programadas. En el presente documento, algunos ejemplos también pretenden cubrir dispositivos de almacenamiento de programas y medios no transitorios legibles por computadora, por ejemplo, medios de almacenamiento de datos digitales, que son legibles por computadora y codifican instrucciones ejecutables por computadora, donde dichas instrucciones realizan algunos o todos los pasos del método descrito 400. Los dispositivos de almacenamiento de programas pueden ser, por ejemplo, memorias digitales, medios de almacenamiento magnéticos, como discos magnéticos y cintas magnéticas, discos duros o medios de almacenamiento de datos digitales legibles ópticamente.
Con referencia al método 400, como se ilustra en La Figura 4, en el bloque 402, una muestra que comprende una pluralidad de patógenos se expone a una radiación de excitación en una pluralidad de longitudes de onda de excitación desde una pluralidad de fuentes de luz durante una duración predeterminada con una periodicidad predeterminada. En un ejemplo, la pluralidad de fuentes de luz es la pluralidad de fuentes de luz 108. La pluralidad de longitudes de onda de excitación se puede obtener usando filtros ópticos 204 y la lente óptica 202 como se entenderá.
En el bloque 404, se capturan sincrónicamente espectros de emisión de fluorescencia resueltos en el tiempo, espectros de reflectancia resueltos en el tiempo y espectros de transmitancia resueltos en el tiempo en múltiples bandas espectrales. En un ejemplo, el detector 114 captura los espectros de emisión de fluorescencia resueltos en el tiempo, los espectros de reflectancia resueltos en el tiempo y los espectros de transmitancia resueltos en el tiempo. El término "sincrónicamente" indica que la captura de los espectros de emisión de fluorescencia se coordina con el tiempo de excitación. Sin embargo, como se entiende, puede haber un retraso de tiempo entre la excitación y la emisión, que se tiene en cuenta en la captura sincrónica.
En el bloque 406, se realiza la resolución espacial y temporal de los espectros de emisión de fluorescencia resueltos en el tiempo, de la reflectancia resueltos en el tiempo y de los espectros de transmitancia para obtener una pluralidad de parámetros espectrales. En un ejemplo, la resolución espacial y temporal la realiza el procesador de imágenes 116 del módulo de procesamiento de imágenes 104.
En el bloque 408, se accede a una base de datos de la biblioteca. La base de datos de la biblioteca comprende un conjunto de parámetros espectrales estándar asociados con un conjunto de patógenos de referencia. En un ejemplo, la base de datos de la biblioteca es la base de datos de la biblioteca 118 del módulo de procesamiento de imágenes 104.
En el bloque 410, cada uno de la pluralidad de parámetros espectrales se compara con el conjunto de parámetros espectrales estándar para detectar y clasificar los patógenos. En un ejemplo, la comparación la realiza el módulo de procesamiento de imágenes 104. En el bloque 412, basándose en la comparación, se muestra un resultado. En un ejemplo, el resultado puede visualizarse mediante el módulo de visualización 106.
En un ejemplo, el método comprende además pasos para la monitorización de heridas in situ, automática y no invasiva. La Figura 5 representa pasos para el seguimiento de heridas, de acuerdo con una implementación de la presente materia sujeto. Después de la detección y clasificación de los patógenos, en el bloque 502, se calculan datos de distribución espacial en tiempo real de los patógenos a lo largo de la región de la herida. En el bloque 504, los datos de distribución espacial en tiempo real de los patógenos a través de la región de la herida se combinan con datos de intensidad de fluorescencia en una pluralidad de bandas espectrales de los patógenos correspondientes contenidos en la base de datos de la biblioteca. En el bloque 506, se cuantifica la cantidad de cada patógeno en la región de la herida. En un ejemplo, los bloques 502, 504, 506 son realizados por el módulo de procesamiento de imágenes 104.
La presente materia sujeto se ilustrará ahora con ejemplos prácticos, que pretenden ilustrar el funcionamiento de la divulgación y no pretenden ser tomados de manera restrictiva para implicar limitaciones en el alcance de la presente divulgación. A menos que se defina lo contrario, todos los términos técnicos y científicos utilizados en la presente tienen el mismo significado que entienden comúnmente los expertos en la materia a la cual pertenece esta divulgación. Debe entenderse que esta divulgación no se limita a los métodos particulares y las condiciones experimentales descritas, ya que dichos métodos y condiciones pueden variar dependiendo del proceso y los insumos utilizados, como lo entenderá fácilmente una persona experta en la técnica.
Ejemplos
Ejemplo 1: Diseño y fabricación del dispositivo 100:
Se fabricó un dispositivo portátil para la detección y clasificación de patógenos in situ. El dispositivo 100 comprendía diodos emisores de luz de alta potencia que están configurados para emitir luz en las siguientes longitudes de onda: 340 nm, 365 nm, 395 nm. El dispositivo estaba compuesto por un procesador ARM, una cámara de celular de 16MP con sensor Sony IMX 398 controlada con un interruptor electrónico que está configurado para capturar imágenes de luz blanca y fluorescencia. El dispositivo 100 comprendía un mecanismo de cambio de filtro óptico controlado por un servomotor y colocado frente a la cámara que estaba configurada para medir la intensidad espectral de fluorescencia en las siguientes longitudes de onda: 415 nm, 470 nm, 515 nm, 560 nm, y 620 nm.
El dispositivo 100 estaba encerrado en un chasis compacto que es ergonómicamente estable para su uso. Se adjuntó un recinto trapezoidal que bloquea la luz ambiental con el dispositivo 100 para evitar la interferencia de la luz ambiental durante el proceso de obtención de imágenes. El recinto también asegura que el usuario mantenga la misma distancia entre la muestra 112 y la cámara para evitar variaciones en la distancia de imagen. La disposición de las fuentes de luz se realizó de forma circular para minimizar el espacio y garantizar que todas las fuentes de luz estén equidistantes de la cámara y en un ángulo de iluminación de 45 grados con respecto a la superficie iluminadora para minimizar la dispersión de Rayleigh de la luz incidente sobre la cámara. Nuevamente, los filtros ópticos se dispusieron en un disco circular para minimizar los requisitos de espacio.
Ejemplo 2: Mediciones espectroscópicas de fluorescencia en estado estacionario y resueltas en el tiempo.
Se realizaron mediciones espectroscópicas de fluorescencia de estado estacionario y resolución temporal de patógenos clínicamente relevantes y la extracción de parámetros espectrales relevantes mediante análisis de imágenes.
La Figura 6 muestra un espectro de fluorescencia en estado estacionario obtenido para patógenos clínicamente relevantes comoCandida albicans, Candida sp., Pseudomonas aeruginosa, Staphylococcus aureusyEscherichia coliutilizando el espectrofluorímetro RF-6000 Shimadzu y los datos sin procesar de los espectros se recopilaron de Software LabSolutions RF. Se recogieron un ancho de rendija de excitación de 3 nm, un ancho de rendija de emisión de 5 nm, una velocidad de escaneo de 600 nm/s y puntos de datos cada 1 nm, barriendo de 200 nm a 450 nm de excitación y de 200 nm a 800 nm de emisión. Se sabe que los sideróforos son biomoléculas secretadas por patógenos durante el mecanismo de adquisición de hierro y se sabe que esto causa proliferación e infección.
Por lo tanto, para comprender las características de autofluorescencia durante la adquisición de hierro, se indujeron patógenos clínicamente relevantes aislados y subcultivados de diversas fuentes con ácido aminolevulínico, un metabolito natural en la síntesis de hemo celular, para iniciar la vía de adquisición de hierro. Las especies bacterianas producen múltiples sideróforos.Escherichia colipuede producir hasta cuatro sideróforos diferentes (aerobactina, enterobactina, salmoquelina y yersiniabactina). La porfirina es un biomarcador de autofluorescencia bien conocido que es secretado predominantemente por muchos patógenos durante la infección. Para comprender la propiedad de autofluorescencia aportada por otros sideróforos y otros biomarcadores expresados durante el crecimiento de los patógenos, se recopilaron datos de espectros de emisión de excitación utilizando el espectrofluorímetro RF6000 y se construyó un gráfico de espectros 3D. La concentración bacteriana se mantuvo a 0,5 OD y se preprocesó en la fase logarítmica de crecimiento para garantizar una densidad celular uniforme en todas las mediciones. Esto ayudó a comprender la excitación específica, las longitudes de onda de emisión y la concentración de expresión de un biomarcador o una combinación de ellos, como una función de amplitud. Se extrajeron varios parámetros espectrales, como la longitud de onda de excitación, la longitud de onda de emisión, el pico de emisión, la amplitud en el pico de emisión y la relación de amplitudes, de los espectros de la matriz de emisión de excitación. En la figura 6a,Candida albicansno produce ningún biomarcador significativo en la región de 600 nm-650 nm. Candida de otras especies produjo autofluorescencia a 600 nm - 650 nm como se muestra en la Figura 6b,Pseudomonas aeruginosaen la Figura 6c muestra un pico único a 370 nm, 395 nm, 405 nm de excitación aportado por el sideróforo.Staphylococcus aureustiene una clara contribución a la secreción de porfirina a alta intensidad a 600 nm - 650 nm como se ve en la Figura 6d, seguida deEscherichia colien la Figura 6e que muestra una propiedad similar aStaphylococcus aureuspero secreción de porfirina de intensidad moderada. Por lo tanto, aunque estaba presente la misma biomolécula, se observó una diferencia en la composición en función de la amplitud y distintos picos de fluorescencia en el caso de pseudomonas.
La Figura 7 muestra otro método estadístico empleado para comprender las variaciones en la actividad de los biomarcadores en diferentes patógenos. El mapa autoorganizado (SOM, por sus siglas en inglés) es un modelo de red neuronal que se basa en el aprendizaje no supervisado. SOM es útil para realizar la extracción de dependencias de características de un conjunto de datos con dependencias desconocidas. SOM muestra las regiones espectrales de interés correspondientes a la autofluorescencia de diversas biomoléculas presentes en patógenos. Los pesos obtenidos de SOM pueden usarse para comprender la distribución relativa de biomarcadores de autofluorescencia que luego pueden usarse para distinguir patógenos. Las figuras 7a-e muestran la distribución relativa de biomarcadores de autofluorescencia enCandida sp., Candida albicans, Escherichia coli, Pseudomonas aeruginosayStaphylococcus aureusrespectivamente, en clases de biomoléculas codificadas por colores. La Figura 7f muestra las biomoléculas de autofluorescencia de todos los patógenos. Se puede obtener más información sobre los parámetros espectrales individuales en la longitud de onda de excitación obtenida del gráfico SOM.
La figura 8 muestra un ejemplo de espectros de fluorescencia 2D de diversos patógenos clínicamente relevantes, comoEscherichia coli, Staphylococcus aureusyEnterococcus faecalis.Los patógenos anteriores se subcultivaron a partir de muestras clínicas y se lavaron usando NaCl al 9%, en la fase de crecimiento y se ajustaron a 0,5 OD antes de recolectar los espectros. Los espectros 2D se recogieron utilizando el lector multimodo SpectraMax i3x, con un ajuste de ganancia alto, y los espectros se recogieron cada 1 nm. Los espectros 2D brindan una mejor comprensión de los picos y la amplitud de las emisiones. La figura 8a muestraEscherichia colicon un pico doble en la excitación a 370 nm. La figura 8b muestra la variación en el doble pico deEscherichia colicon una excitación de 410 nm. La Figura 8c muestraStaphylococcus aureusaislado de una muestra de pus, con excitación a 370 nm y con un único pico a 463 nm de emisión. La Figura 8d muestraStaphylococcus aureusa 410 nm de excitación y un pico a 473 nm de emisión. La Figura 8e muestraEnterococcus faecalisa 370 nm la excitación muestra un doble pico a intensidad variable. La Figura 8f muestraEnterococcus faecalisa 410 nm de excitación y doble pico correspondiente. Los espectros permitieron comprender la diferencia en la autofluorescencia biomolecular. Los parámetros espectrales clave, como la emisión de doble pico y los datos de intensidad, se recopilaron mediante este experimento y se repitieron en muchas muestras y subcultivos aislados en diferentes condiciones de crecimiento. Los espectros de emisión de excitación son similares paraStaphylococcus aureus, Enterococcus faecalis y Streptococcus pyogenes.Por lo tanto, la fluorescencia en estado estacionario por sí sola no será suficiente para clasificar estos patógenos, y se necesitan parámetros de fluorescencia adicionales dependientes del tiempo, como la vida útil de la fluorescencia, las amplitudes relativas y la vida útil del fotoblanqueo, para clasificar con precisión los patógenos.
La Figura 9 es un ejemplo de espectros 2D recopilados con el lector multimodo SpectraMax i3x, deStaphylococcus aureusclínicamente relevante, subcultivado y aislado de esputo, tejido óseo y hisopo de oído (Figura 9a y Figura 9d) con excitaciones de 370 nm y 410 nm, respectivamente. En las figuras 9b y 9c se muestran espectros 2D recopilados del lector multimodo SpectraMax i3x, deStaphylococcus aureusclínicamente relevante, subcultivado y aislado de pus, tras la excitación a 370 nm y 410 nm respectivamente. El ejemplo muestra la variación en la autofluorescencia de biomoléculas con respecto a subcultivos de la misma especie aislada de diferentes condiciones ambientales de crecimiento.
La Figura 10 muestra un método de análisis estadístico quimiométrico, concretamente el análisis de componentes principales (PCA, por sus siglas en inglés), para comprender la separación máxima de bacterias en diferentes longitudes de onda de excitación. Aquí, PCA con excitación de 410 nm enE. coli, Pseudomonas aeruginosa, Staphylococcus aureusrespectivamente, donde Pseudomonas muestra una separación máxima a una excitación de 410 nm. De manera similar, PCA a 335 nm muestra la separación máxima de especies de Candida (Figura 11).
La Figura 12 muestra la relación de amplitud de los picos de emisión de fluorescencia a 370 nm y 410 nm de excitación, paraStaphylococcus aureusyEscherichia coli.Este ejemplo muestra que la relación de amplitudes de fluorescencia en varias bandas espectrales se puede utilizar eficazmente para clasificar ciertos patógenos.
La figura 13 muestra espectros de fluorescencia 2D deEscherichia coli,recopilados en diferentes etapas de crecimiento: 2 horas, 4 horas y 6 horas de crecimiento. Las bacterias aisladas de las muestras clínicas se subcultivaron y se lavaron con NaCl al 9 % para mediciones de espectros de fluorescencia 2D utilizando el lector multimodo SpectraMax i3x. Se observó que los parámetros espectrales obtenidos de la fluorescencia en estado estacionario no son suficientes para una clasificación exacta, principalmente porque la expresión de biomoléculas de fluorescencia depende de varios factores intrínsecos, como la vía bioquímica durante una infección y factores extrínsecos como el medio ambiente, las condiciones de crecimiento y la temperatura. Por lo tanto, está claro que era necesaria una extracción adicional de los parámetros de fluorescencia dependientes del tiempo.
La Figura 14a muestra los datos de fluorescencia resueltos en el tiempo aportados debido al fotoblanqueo en Enterococcus mantenido a 29,5 grados. La excitación fue a 415 nm (a 90 destellos) y la fluorescencia se registró cada 49 segundos utilizando el lector multimodo SpectraMax i3x, en el modo cinético. De manera similar, La Figura 14b muestraStaphylococcus aureusa 340 nm, la excitación se recopiló en 40 destellos y se registró cada 30 segundos. Estos gráficos muestran una disminución de la fluorescencia con el tiempo debido al efecto del fotoblanqueo. Este es un parámetro espectral clave que debe considerarse para la detección y clasificación de patógenos a nivel de género y especie.
La Figura 15 muestra las características de fluorescencia dependientes del tiempo deStaphylococcus aureusyEscherichia coliexcitadas a 370 nm y emisión a 520 nm, obtenidas utilizando el instrumento Horiba TCSPC (el registrador de desintegración se ajustó a 100 ns, el recuento máximo se ajustó a 10000 fotones y cada canal duración de 0,027 ns). Aunque los espectros de fluorescencia en estado estacionario son similares a 520 nm correspondientes a la molécula de flavina, como se muestra en las figuras 8a y 8b, los tiempos de vida de la fluorescencia correspondientes a las flavinas, a la emisión de 520 nm, son significativamente diferentes paraStaphylococcus aureusyEscherichia coli.Este resultado demuestra claramente que se puede utilizar la fluorescencia dependiente del tiempo para distinguir entre ciertos patógenos que no son posibles utilizando la fluorescencia en estado estacionario.
Ejemplo 3: Uso del dispositivo portátil de la presente invención para diversas aplicaciones de diagnóstico clínico.
La Figura 16 muestra un ejemplo de imagen de herida obtenida mediante formación de imágenes con luz blanca, utilizando el dispositivo del ejemplo 1. Se realizó una segmentación de la imagen de la herida para comprender la extensión de la misma, que se utilizó posteriormente para controlar la cicatrización de la herida. Se escribió un algoritmo que podría identificar automáticamente el límite de la herida, según los parámetros de color, extraídos durante la obtención de imágenes con luz blanca. La Figura 16a representa una imagen con luz blanca de la herida y la figura 16b representa una imagen segmentada de la herida.
La Figura 17 muestra imágenes con luz blanca y autofluorescencia de una mano infectada para identificarMalassezia furfur.Las imágenes se capturaron usando el dispositivo 100 del Ejemplo 1, con fuentes de luz de excitación de 365 nm y 395 nm y con emisión de 450 nm y 520 nm respectivamente. Las imágenes de autofluorescencia capturadas se procesaron mediante agrupación de k-medias para dilucidar claramente la región de infección y comprender la distribución espacial de la infección por hongos. La Figura 17a muestra una imagen de luz blanca de la región infectada por hongos y la Figura 17b muestra una imagen de autofluorescencia procesada utilizando agrupación de k-medias para identificar la distribución espacial deMalassezia furfur.
La Figura 18 muestra una imagen de fluorescencia del rostro capturada usando el dispositivo 100 del Ejemplo 1, con excitación de 365 nm y emisión de 520 nm y 620 nm. La imagen muestra claramente la presencia de Propionibacterium acnes en la cara alrededor de la región del acné pero dentro de la región del acné. Esta información es vital para comprender el alcance de la infección y ayuda a optimizar el protocolo de tratamiento. La Figura 18a representa una imagen de luz blanca de la cara y la figura 18b representa una imagen fluorescente de la cara que muestra una infección por Propionibacterium acnes alrededor de la región del acné.
La Figura 19 muestra imágenes de fluorescencia de candida fúngica dentro de la cavidad bucal usando el dispositivo 100 del Ejemplo 1, con excitación de 335 nm y 370 nm y emisión de 413 nm y 460 nm. Se emplea agrupación de k-medias para dilucidar claramente la región y el alcance de la infección (Figura 19 (a) y 19 (b)).
La Figura 20 muestra imágenes de fluorescencia usando el dispositivo 100 del Ejemplo 1. La Figura 20 (a) muestra la imagen de luz blanca de la herida y la figura 20 (b)-(d) muestra las imágenes de fluorescencia con excitación de 370 nm y 395 nm capturadas en varias bandas espectrales con emisión de 470 nm, 520 nm y 620 nm. . La diferencia en la distribución espacial de la intensidad de la fluorescencia en distintas bandas espectrales era claramente evidente. Además, algunas regiones (indicadas por flechas en La Figura 20 (b) y La Figura 20 (d)) muestran más intensidad en ciertas bandas espectrales, lo que demuestra claramente una cocolonización. Comprender el alcance y la distribución espacial de la colonización bacteriana en una herida es importante para adaptar el protocolo de tratamiento.
La Figura 21 muestra la imagen de luz blanca y fluorescencia capturada con excitación de 370 nm y 395 nm y emisión de 470 nm, 520 nm y 620 nm usando el dispositivo del ejemplo 1. La Figura indica que no hay colonización bacteriana en la herida (indicada por la flecha), lo que se confirma mediante el cultivo con hisopo. (Fig. 21(a) y 21(b)).
La Figura 22 (a) muestra la imagen de luz blanca y las imágenes de fluorescencia (cuando se excitan con un LED en la región espectral 380 nm-410 nm) capturadas bajo varias bandas espectrales de emisión (Figura 22(b): 470 nm, figura 22(c): 520 nm, figura 22(d): 620 nm) usando el dispositivo 100 del Ejemplo 1. Las imágenes de fluorescencia muestran la presencia deProteus sp.confirmado por cultivo de hisopo (indicado por una flecha en La Figura 21 (c) donde se toma el hisopo). Hay una fluorescencia significativa presente en las tres bandas espectrales. A modo de comparación, la Figura 22 (e) muestra los espectros de fluorescencia de Proteus capturados usando un espectrofluorímetro cuando se excita con 410 nm. La emisión en tres bandas espectrales es claramente visible, lo que confirma que los resultados de las imágenes de fluorescencia coinciden con los parámetros espectrales obtenidos del gráfico.
La Figura 23 muestra la imagen de fluorescencia superpuesta codificada por colores y con luz blanca del hongo dermatofito con excitación de 365 nm y emisión de 470 nm capturada usando el dispositivo 100 del Ejemplo 1. ((Fig. 23(a) y 23(b)).
La Figura 24 muestra imágenes de luz blanca (imágenes de la izquierda) e imágenes de fluorescencia (gráficos de la derecha) de heridas capturadas en diferentes días (Día 0 a Día 9). Las imágenes de luz blanca del lado izquierdo mostraron claramente la curación de la herida tras la administración de antibióticos con el tiempo, y las imágenes fluorescentes correspondientes, en el lado derecho, muestran una disminución de las colonias bacterianas.
Aunque el tema se ha descrito con considerable detalle con referencia a ciertos ejemplos e implementaciones del mismo, son posibles otras implementaciones. Como tal, el alcance de la presente materia sujeto no debe limitarse a la descripción de los ejemplos e implementaciones preferidos contenidos en el mismo.

Claims (14)

REIVINDICACIONES
1. Un dispositivo (100) para la detección y clasificación de patógenos no invasiva, automática e in situ, comprendiendo el dispositivo (100):
un módulo de imágenes (102) que comprende:
una pluralidad de fuentes de luz (108), donde cada fuente de luz debe emitir radiación de excitación en un rango predeterminado de longitudes de onda;
un interruptor óptico (110) para exponer una región espacial de una muestra (112) que comprende patógenos a la radiación de excitación durante una duración predeterminada y una periodicidad predeterminada; y
un detector (114) para capturar espectros de emisión de fluorescencia resueltos en el tiempo y al menos uno de: espectros de reflectancia resueltos en el tiempo y espectros de transmitancia resueltos en el tiempo en múltiples bandas espectrales sobre la región espacial de la muestra (112), donde la captura de cada una de los espectros de emisión de fluorescencia resueltos en el tiempo, los espectros de reflectancia resueltos en el tiempo y los espectros de transmitancia resueltos en el tiempo se sincronizan basándose en la emisión de la radiación de excitación por la pluralidad de fuentes de luz (108);
un módulo de procesamiento de imágenes (104) acoplado al módulo de imágenes (102) para recibir información correspondiente a los espectros de emisión de fluorescencia resueltos en el tiempo, la reflectancia resuelta en el tiempo y los espectros de transmitancia resueltos en el tiempo sobre la región espacial de la muestra (112), el módulo de procesamiento de imágenes (104) que comprende:
un procesador de imágenes (116) para realizar resolución espacial y temporal de la información para obtener una pluralidad de parámetros espectrales, donde la resolución espacial debe extraer una distribución espacial de patógenos en la región espacial de la muestra (112) y la resolución temporal debe extraer parámetros espectrales dependientes del tiempo de los patógenos en la muestra (112); y
una base de datos de la biblioteca (118) que comprende un conjunto de parámetros espectrales estándar identificables con patógenos de referencia,
donde el módulo de procesamiento de imágenes (104) debe comparar cada uno de la pluralidad de parámetros espectrales con el conjunto de parámetros espectrales estándar basándose en un primer modelo de procesamiento de imágenes para detectar y clasificar el patógeno, donde la base de datos de la biblioteca (118) debe recibir una nuevo conjunto de parámetros espectrales estándar identificables con un nuevo patógeno de referencia;
un conjunto generador de modelos (304) para proporcionar una pluralidad de modelos de procesamiento de imágenes basados en el nuevo conjunto de parámetros espectrales estándar identificables con el nuevo patógeno de referencia y el conjunto de parámetros espectrales estándar identificables con el patógeno de referencia; y
un validador cruzado (306) para fijar un segundo modelo de procesamiento de imágenes a partir de la pluralidad de modelos de procesamiento de imágenes, donde el segundo modelo de procesamiento de imágenes debe reemplazar al primer modelo de procesamiento de imágenes; y
un módulo de visualización (106) para mostrar un resultado basado en la comparación.
2. El dispositivo (100) según la reivindicación 1, donde la pluralidad de fuentes de luz comprende al menos uno de los siguientes: un diodo emisor de luz, un láser, una fuente de luz coloreada, una fuente de luz configurable, luz ambiental o cualquier combinación de las mismas.
3. El dispositivo (100) según la reivindicación 1, donde los espectros de emisión de fluorescencia resueltos en el tiempo son un espectro de vida útil de fluorescencia o un espectro de fotoblanqueo.
4. El dispositivo (100) según la reivindicación 3, donde el detector (114) debe capturar: un espectro de fluorescencia en estado estacionario en combinación con al menos uno de: el espectro de vida útil de la fluorescencia, el espectro de fotoblanqueo, el espectro de reflectancia resuelto en el tiempo, y el espectro de transmitancia resuelto en el tiempo.
5. El dispositivo (100) según la reivindicación 3, donde:
cuando el detector (114) va a capturar espectros de vida útil de fluorescencia, la radiación de excitación tiene una duración predeterminada en el intervalo de aproximadamente 1 ps a aproximadamente 1 s y la periodicidad predeterminada en el intervalo de aproximadamente 0,01 ns a aproximadamente 1 s; y
cuando el detector (114) va a capturar espectros de fotoblanqueo, la radiación de excitación tiene una duración predeterminada en el intervalo de aproximadamente 1 ms a aproximadamente 10 s y la periodicidad predeterminada en el intervalo de aproximadamente 0,01 s a aproximadamente 1 min.
6. El dispositivo (100) según la reivindicación 3, donde el módulo de procesamiento de imágenes (104) debe clasificar el patógeno basándose en familia, género, especie y cepa basándose en la comparación.
7. El dispositivo (100) según la reivindicación 1, donde el módulo de procesamiento de imágenes (104) es para cuantificar los patógenos presentes en la muestra (112), donde el módulo de procesamiento de imágenes (104) es para recibir una intensidad de la fluorescencia dependiente del tiempo de la muestra (112) y comparar la intensidad con los datos de<intensidad de fluorescencia proporcionados en la base de datos de la biblioteca (>118<) para cuantificar los patógenos.>
8. El dispositivo (100) según la reivindicación 1, donde, basándose en la detección y clasificación de patógenos, el dispositivo debe controlar la cicatrización y el cierre de la herida, donde el dispositivo debe calcular al menos uno de los siguientes: tamaño de la herida, profundidad de la herida, distribución de temperatura de la herida, clasificación de tejidos, información de biopelículas, grado de contaminación, oxigenación de tejidos y flujo sanguíneo.
9. El dispositivo (100) según la reivindicación 1, donde la pluralidad de parámetros espectrales comprende intervalos de amplitud de los espectros de emisión de fluorescencia, intervalos de amplitud de los espectros de reflectancia, intervalos de amplitud de los espectros de transmitancia, ancho de banda de los espectros de emisión de fluorescencia, semimáximos de ancho completo de los espectros de emisión de fluorescencia, y combinaciones de los mismos.
10. El dispositivo (100) según la reivindicación 1, donde la base de datos de la biblioteca (118) comprende al menos uno de espectros de matriz de emisión de excitación, espectros de fluorescencia de matriz de emisión de excitación, espectros de reflectancia, espectros de transmitancia, tiempos de vida de fluorescencia, tiempos de fotoblanqueo, coeficientes de absorción, coeficientes de reflexión, coeficientes de transmisión, coeficientes de dispersión, datos de intensidad normalizados, intervalos de intensidad o cualquier combinación de los mismos, identificables con varios patógenos de referencia.
11. El dispositivo (100) según la reivindicación 1, donde el procesador de imágenes (116) debe obtener al menos uno de los siguientes: tiempos de desintegrción de la fluorescencia, amplitud de la señal de emisión de fluorescencia, tiempos de fotoblanqueo o cualquier combinación de los mismos.
12. El dispositivo (100) según la reivindicación 1, donde el resultado comprende al menos uno de los siguientes: detección de la presencia de diversos patógenos en la muestra (112), datos de distribución espacial de patógenos, datos del estado de crecimiento de patógenos, datos de cocolonización, información de biopelícula información de biomarcadores, datos de cuantificación de patógenos, un protocolo de tratamiento, o cualquier combinación de los mismos.
13. Un método para la detección y clasificación de patógenos no invasivo, automático e in situ que comprende:
exponer una región espacial de una muestra (112) que comprende una pluralidad de patógenos a una radiación de excitación en un rango predeterminado de longitudes de onda emitida desde una pluralidad de fuentes de luz (108) durante una duración predeterminada a una periodicidad predeterminada;
capturar, mediante un detector (114), un espectro de emisión de fluorescencia resuelto en el tiempo y al menos uno de: un espectro de reflectancia resuelto en el tiempo y un espectro de transmitancia en múltiples bandas espectrales sobre la región espacial de la muestra (112), donde la captura de cada uno de los espectros de emisión de fluorescencia resueltos en el tiempo, los espectros de reflectancia resueltos en el tiempo y los espectros de transmitancia resueltos en el tiempo se sincronizan basándose en la emisión de la radiación de excitación por la pluralidad de fuentes de luz (108); realizar, mediante un módulo de procesamiento de imágenes (104), resolución espacial y temporal de los espectros de emisión de fluorescencia resueltos en el tiempo, reflectancia resuelta en el tiempo y espectros de transmitancia resueltos en el tiempo capturados sobre la región espacial de la muestra (112) para obtener una pluralidad de parámetros espectrales, donde la resolución espacial debe extraer una distribución espacial de patógenos en la región espacial de la muestra (112) y la resolución temporal debe extraer parámetros espectrales dependientes del tiempo de los patógenos en la muestra (112);
acceder, mediante un procesador de imágenes (116), una base de datos de la biblioteca (118), donde la base de datos de la biblioteca (118) comprende un conjunto de parámetros espectrales estándar asociados con patógenos de referencia; comparar, mediante el módulo de procesamiento de imágenes (104), cada uno de la pluralidad de parámetros espectrales con el conjunto de parámetros espectrales estándar para detectar y clasificar los patógenos;
mostrar, mediante un módulo de visualización (106), un resultado basado en la comparación;
recibir, mediante la base de datos de la biblioteca (118), un nuevo conjunto de parámetros espectrales estándar identificables con un nuevo patógeno de referencia;
proporcionar, mediante un conjunto constructor de modelos (304), una pluralidad de modelos de procesamiento de imágenes basados en el nuevo conjunto de parámetros espectrales estándar identificables con el nuevo patógeno de referencia y el conjunto de parámetros espectrales estándar identificables con el patógeno de referencia; y
fijar, mediante un validador cruzado (306), un segundo modelo de procesamiento de imágenes de la pluralidad de modelos de procesamiento de imágenes, donde el segundo modelo de procesamiento de imágenes debe reemplazar un primer modelo de procesamiento de imágenes, donde el primer modelo de procesamiento de imágenes está asociado con el conjunto de parámetros espectrales estándar y el segundo modelo de procesamiento de imágenes está asociado con el conjunto de parámetros espectrales estándar y el nuevo conjunto de parámetros espectrales estándar.
14. El método según la reivindicación 13, donde el método comprende:
calcular, mediante el módulo de procesamiento de imágenes (104), datos de distribución espacial en tiempo real de los patógenos a través de una región de herida;
combinar, mediante el módulo de procesamiento de imágenes (104), los datos de distribución espacial en tiempo real de los patógenos a través de la región de la herida con datos de intensidad de fluorescencia en una pluralidad de bandas espectrales de los patógenos correspondientes contenidos en la base de datos de la biblioteca (118); y cuantificar, mediante el módulo de procesamiento de imágenes (104), la cantidad de cada patógeno en la región de la herida.
ES18772393T 2017-03-22 2018-03-22 Dispositivo y método para la detección y clasificación de patógenos Active ES2968298T3 (es)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
IN201741010111 2017-03-22
PCT/IN2018/050161 WO2018173073A1 (en) 2017-03-22 2018-03-22 Device and method for detection and classification of pathogens

Publications (1)

Publication Number Publication Date
ES2968298T3 true ES2968298T3 (es) 2024-05-08

Family

ID=63584391

Family Applications (1)

Application Number Title Priority Date Filing Date
ES18772393T Active ES2968298T3 (es) 2017-03-22 2018-03-22 Dispositivo y método para la detección y clasificación de patógenos

Country Status (8)

Country Link
US (1) US11523738B2 (es)
EP (2) EP3602007B1 (es)
CA (1) CA3057409A1 (es)
DK (1) DK3602007T3 (es)
ES (1) ES2968298T3 (es)
FI (1) FI3602007T3 (es)
SG (1) SG11201908815SA (es)
WO (1) WO2018173073A1 (es)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7256207B2 (ja) 2018-04-20 2023-04-11 ザ プロクター アンド ギャンブル カンパニー 頭皮ケア剤の空間的イメージング
WO2019222340A1 (en) 2018-05-17 2019-11-21 The Procter & Gamble Company Systems and methods for hair coverage analysis
US11172873B2 (en) 2018-05-17 2021-11-16 The Procter & Gamble Company Systems and methods for hair analysis
JP7134421B2 (ja) * 2019-01-28 2022-09-12 日本たばこ産業株式会社 蛍光画像を用いた試料の品質判定方法、プログラム、及び、装置
US11471389B2 (en) 2019-06-28 2022-10-18 The Procter & Gamble Company Enhanced stability of zinc pyrithione in oxidative environments, such as scalp sebaceous fluid
EP4045898A4 (en) * 2019-10-17 2024-01-10 C2Sense, Inc. LUMINESCENCE IMAGING FOR CAPTURE
FR3103900B1 (fr) * 2019-11-29 2024-07-19 Univ Du Mans Méthode d'identification rapide de microorganismes par analyse de matrices excitation-émission
GB2600719B (en) * 2020-11-05 2023-10-11 Oxford Nanoimaging Ltd Fluorescence assay
BR112023015956A2 (pt) 2021-02-09 2023-10-24 Adiuvo Diagnostics Private Ltd Dispositivo para examinar um alvo, sistema para examinar um alvo, dispositivo para treinar um modelo de análise para analisar imagens de alvos com base em fluorescência, método para examinar um alvo e método para treinar um modelo de análise para analisar imagens com base em fluorescência de alvos
AU2022249851A1 (en) * 2021-03-31 2023-10-12 University Of Lancaster Detection of micro-organisms
US12039732B2 (en) 2021-04-14 2024-07-16 The Procter & Gamble Company Digital imaging and learning systems and methods for analyzing pixel data of a scalp region of a users scalp to generate one or more user-specific scalp classifications
BE1029446B1 (nl) 2021-06-01 2023-01-09 Microtechnix Bvba Inrichting en werkwijze voor telling en identificatie van bacteriekolonies met behulp van hyperspectrale beeldvorming
JP7190534B1 (ja) * 2021-06-14 2022-12-15 アサヒ飲料株式会社 微生物の検出方法
EP4437499A4 (en) * 2021-11-23 2025-08-27 Tufts College SYSTEMS, METHODS, AND PROGRAM PRODUCTS FOR DETECTION AND IDENTIFICATION OF DEFECTS USING ARTIFICIAL INTELLIGENCE ANALYSIS OF MULTIDIMENSIONAL INFORMATION DATA
US20250049383A1 (en) * 2021-12-20 2025-02-13 Koninklijke Philips N.V. Contactless wound monitoring
CN114414505A (zh) * 2022-01-22 2022-04-29 山东润一智能科技有限公司 量子光谱微生物智能监测终端
PL441490A1 (pl) * 2022-06-15 2023-12-18 Gdański Uniwersytet Medyczny Układ do pomiaru absorbancji próbki materiału biologicznego w postaci płynnej i sposób dyskryminacji zakażeń układu moczowego realizowany za pomocą tego układu
WO2024092247A1 (en) * 2022-10-27 2024-05-02 Hyperspectral Corp. Systems and methods for particle of interest detection
US12613177B2 (en) * 2022-10-27 2026-04-28 Hyperspectral Corp. Systems and methods for detecting particles of interest using multi-model spectral analysis
US12546721B2 (en) 2023-01-23 2026-02-10 Lightsense Technology, Inc. Multispectral detection and classification of bacteria utilizing scattering and/or absorbance, excitation, emissions utilizing machine learning
US20250090055A1 (en) * 2023-09-20 2025-03-20 Alexandre Ivachtchenko Method and device for determining ischemic injuries of mammalian organs and tissues
CN117848962B (zh) * 2023-10-26 2025-07-08 江苏大学 一种作物气传病害孢子检测装置与方法
CN117825344A (zh) * 2023-12-26 2024-04-05 中国科学院上海微系统与信息技术研究所 一种大肠杆菌检测系统及检测方法
WO2026017793A1 (en) 2024-07-18 2026-01-22 Inwound Aps An imaging device for monitoring wounds and a system and method for managing a treatment of a wound

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002069784A2 (en) 2001-03-01 2002-09-12 Trustees Of Dartmouth College Fluorescence lifetime spectrometer (fls) and methods of detecting diseased tissues
EP1481356A1 (en) * 2001-11-21 2004-12-01 Paradigm Genetics Inc. Methods and systems for analyzing complex biological systems
WO2003060444A1 (en) 2002-01-10 2003-07-24 Chemimage Corporation Method for detection of pathogenic microorganisms
US7518710B2 (en) * 2005-07-14 2009-04-14 Battelle Memorial Institute Optical devices for biological and chemical detection
CA3162577C (en) 2008-05-20 2023-09-26 University Health Network Device and method for fluorescence-based imaging and monitoring
US8406859B2 (en) 2008-08-10 2013-03-26 Board Of Regents, The University Of Texas System Digital light processing hyperspectral imaging apparatus
EA033790B1 (ru) * 2011-12-19 2019-11-26 Opticul Diagnostics Ltd Способ спектрального обнаружения и идентификации микроорганизмов в культуре
WO2013116316A1 (en) 2012-01-30 2013-08-08 Scanadu Incorporated Hyperspectral imaging systems, units, and methods
WO2014040168A1 (en) 2012-09-14 2014-03-20 University Of Windsor Method of using laser-induced breakdown spectroscopy for the identification and classification of bacteria
WO2014168734A1 (en) * 2013-03-15 2014-10-16 Cedars-Sinai Medical Center Time-resolved laser-induced fluorescence spectroscopy systems and uses thereof
ES2877351T3 (es) 2013-08-07 2021-11-16 Univ Wayne State Instrumento de detección portátil basado en micro-raman y método de detección
JP6893877B2 (ja) 2014-10-29 2021-06-23 スペクトラル エムディー, インコーポレイテッドSpectral Md, Inc. 組織を分類するための反射モードマルチスペクトル時間分解型光学イメージングの方法および装置
WO2020148726A1 (en) 2019-01-17 2020-07-23 Moleculight Inc. Modular system for multi-modal imaging and analysis

Also Published As

Publication number Publication date
WO2018173073A1 (en) 2018-09-27
US20210106231A1 (en) 2021-04-15
DK3602007T3 (da) 2024-01-15
SG11201908815SA (en) 2019-10-30
FI3602007T3 (fi) 2024-01-16
EP3602007A1 (en) 2020-02-05
EP3602007B1 (en) 2023-10-18
EP4306042A2 (en) 2024-01-17
CA3057409A1 (en) 2018-09-27
EP4306042A3 (en) 2024-03-27
EP3602007A4 (en) 2020-12-30
US11523738B2 (en) 2022-12-13

Similar Documents

Publication Publication Date Title
ES2968298T3 (es) Dispositivo y método para la detección y clasificación de patógenos
US12387335B2 (en) Systems, devices, and methods for visualization of tissue and collection and analysis of data regarding same
JP7648525B2 (ja) マルチモーダル撮像および解析のためのモジュールシステム
US20250299335A1 (en) Fluorescence-based detection of problematic cellular entities
US20250322524A1 (en) Systems and methods for detection of cellular entities
Radhakrishnan et al. Rapid handheld screening device to detect skin and soft tissue infections