本申请要求2016年8月19日提交的标题为“用于诊断引起脓毒症的病原体的光谱学方法和装置(spectroscopicmethodanddevicefordiagnosisofpathogenscausingsepsis)”的澳大利亚临时专利申请号2016903287的优先权，所述澳大利亚临时专利申请的内容通过引用以整体并入本文。
背景技术：
脓毒症
脓毒症是由患者的免疫反应引起的，所述免疫反应由病原体感染触发。所述感染最通常是细菌性的，但是也可以来自于真菌、病毒或寄生虫。脓毒症在患者对感染的应答损害其自身组织和器官时是可危及生命的。常见的体征和症状包括发烧、心率增加、呼吸频率增加、和意识模糊。但是在非常幼年、老年和免疫系统减弱的人中，可能没有特异性感染症状且体温可能降低或正常而不是升高。疾病的严重程度部分地决定了结果，脓毒症的死亡风险高达30％，严重的脓毒症死亡率高达50％，而脓毒性休克的死亡率高达80％。因为发展中国家的数据非常少，世界范围的病例总数是未知的，但是据估计脓毒症每年影响数百万人。
过去，诊断是基于对由于假定的感染所致的至少两种全身炎症应答综合症(sirs)标准的评估。在2016年，通过sirs的筛选被qsofa(快速脓毒症相关器官衰竭评价)替代，包括以下三者中的两者：呼吸频率增加、意识水平改变和低血压。但是这可能是不准确的，因为诸如过敏症、肾上腺功能不全、低血容量、心力衰竭和肺栓塞的其它病况经常具有与脓毒症非常相似的体征和症状。
因此，通常在启动治疗之前进行血培养诊断法。传统的鉴定前血培养诊断法需要超过一天进行诊断，所以经常是滞后的。新的分子方法，例如由dark等人(intensivecaremedicine,2015,41,21-33)所述的那些，包括质谱学和多路实时pcr(septifast)且可以在采血后6小时内获得结果和需要复杂的扩增步骤。
当前用于脓毒症诊断的技术对于床旁(point-of-care)检测来说是不实用的。这意味着，由于问题的紧要性质而需要立即采取的医学处理经常被延迟，对于病原体类型不具有特异性，且基于主观诊断。
其它发展中的技术如集成的全面小滴数字检测(integratedcomprehensivedropletdigitaldetection)将实时检测与基于dna酶的传感器、小滴微囊化和高通量3d粒子计数系统集成，以检测每毫升血液中的1-10,000个细菌(kang等人，naturecommunications,2014,5,5427)。尽管这种方法可能具有非常高的灵敏度，但是其仅在增量掺杂(spiked)的血样中得到证明且需要熟练的操作人员和非常昂贵的设备。
t2磁共振最近被应用于检测念珠菌属(candida)的真菌感染，检测限为血样中的一个集落形成单位，但是该试验仍需大约3小时(neely等人，sciencetransiationalmedicine,2013,5,182ral154)。所有这些技术依赖于宿主和病原体之间的dna序列差异且需要某些类型的dna提取或扩增过程。
因此，需要有效的床旁检测来为急诊发热患者评价脓毒症，以提供专门的和更及时的治疗。
血液的振动光谱学分析
诸如atr-ftir的技术已经被用于血液感染的诊断。例如，khoshmanesh,a.等人(analyticalchem.86,pp4379-4386)使用atr-ftir光谱学利用由疟疾寄生虫诱导的rbc脂质的变化来定量固定的红细胞中的寄生虫。
sitole等人(omics:ajournalofintegrativebiology,18(8)pp.513-523)鉴定了对照样品和hiv感染的样品的atr-ftir光谱之间位于脂质、蛋白质和脂肪酸的谱带中的差异。
chunder(美国专利号8,822,928)提出利用光谱中不同ir谱带的宽度和吸光度将ir用于内部器官的诊断病理学。
ei-sayed等人(美国专利号6,379,920)公开了通过获取红外、拉曼或荧光光谱来检测血液样品中的细菌感染。具体地，ei-sayed教导了通过分析被感染血清的样品来诊断生物学样品中的细菌的方法。使用光谱仪，从被感染血清的光谱减去以前获得的标准血清的光谱，并将得到的差示光谱与细菌在盐水中的参考光谱相比较以确定被感染血清中存在的特定细菌。然而，这种方法的缺点在于没有考虑到由包括营养在内的许多因素引起的血清之间的代谢性差异。
wood等人(国际专利申请号pct/au2015/000631)公开了使用atr-ftir光谱的多变量分析来检测感染性血液传播疾病的方法。具体地，wood教导了检测血液中的致病物如疟疾寄生虫以及血清、血浆和全血中的hiv、hbv、hcv感染的方法。
然而，所有上述研究都聚焦于检测广泛收集的光谱中的特征(signature)，但没有一个独特的特征与病原体物种的存在直接相关。具体地，上述的传统方法依赖于疾病引起的血清代谢物改变，而不是直接检测引起脓毒症的病原体。血清是具有数以千计代谢物的复杂基质，一个或多个独特特征的检测非常容易受到由患者的复杂的新陈代谢引起的干扰的影响。上述的技术不能定量血清的致病性载荷。
因此，需要开发直接且稳定地检测与病原体有关的光谱学谱带的用于床旁检测的基于振动光谱学的方法。
技术实现要素：
在一种形式中，本文中讨论的技术涉及在包括血液、血清、水、盐水、乳、尿、唾液和其它体液在内的液体中存在的病原体的光谱学检测的领域。所检测的病原体可以包括细菌、病毒、朊病毒和真菌，以及与脓毒症有关的病原体。
本文的系统和方法可包括对病原体的直接光谱学鉴定。这可以包括使用用于光谱分析的生物试样的准备阶段，且可以包括对患者样品或病原体的过滤、纯化、浓缩、沉淀和/或干燥，随后无需培养进行基于独特分子表型的直接光谱学鉴定。
在一些变体中，病原体的床旁检测分类学鉴定可包括基于由临床血样衍生的红外光谱与参考光谱数据库的匹配来鉴定与脓毒症有关的一系列病原体存在或不存在的步骤。例如，病原体的列表可包括预先确定的或预先选择的引起脓毒症的十二(或其它数字)种最常见或最可能的病原体的列表。例如，病原体列表可包括但不限于肺炎克雷伯氏杆菌(klebsiellapneumonia)、大肠杆菌(escherichiacoli)、铜绿假单胞菌(pseudomonasaeruginosa)、表皮葡萄球菌(staphylococcusepidermidis)、停乳链球菌(streptococcusdysgalactiae)、头葡萄球菌(staphylococcuscapitus)、粪肠球菌(enterococcusfaecaiis)、金黄色葡萄球菌(staphylococcusaureus)、蜂房哈夫尼菌(hafniaaivaris)、嗜麦芽黄单胞菌(stenotrophomonasmaltophila)、屎肠球菌(enterococcusfaecium)和近平滑假丝酵母(candidaparapsilosis)。
在一些变体中，可以通过使用粒子例如二氧化硅粒子截留例如细菌、病毒和真菌的物种来聚集脓毒症的形迹。然后可以使用光谱学装置检测这些物种。在一些变体中，可以使用atr-ir、atr-ftir或拉曼光谱学检测各种样品特征，包括但不限于样品的各种振动、吸收和/或散射特征。
在一些变体中，可以分析在检测阶段获得的光谱学数据，以检测样品中一种或多种病原体的存在和/或其它特征。所述处理可包括使用线性多变量和/或非线性支持向量机器/神经网络建模方法进行病原体鉴定和定量。
为了简便，以下关于使用血清进行脓毒症的诊断来描述本发明的各种变体，然而应该理解，所述的变体可以应用于其它生物流体来检测和最终鉴定病原体和/或应用于其它临床病况或诊断。
本文中使用的术语“生物流体”旨在包括全血、血液衍生物或组分例如血清或血浆或包括脑脊髓液、尿、水、乳和唾液在内的由身体组织产生或储存的其它流体，还包括其组合。
在一个方面中，所述技术提供了对患者中的病原体进行筛选的方法，包括从患者生物流体样品提取病原体，过滤所述生物流体样品以除去至少一部分的液体组分并收集更大的粒子组分，将来自红外-可见光谱的电磁波束递送通过所述经过滤的生物流体样品，和检测(一种或多种)病原体的存在或不存在。
从患者生物流体提取病原体可包括使用过滤器从所述生物流体分离某些颗粒物质或以其它方式从所述样品除去至少一部分液体，将经过滤的样品悬浮在溶剂如超纯水或另一种溶剂中，和将病原体浓缩在一定量的溶剂例如水中以形成浓缩的样品。溶剂的量可以基于光谱学机器或基于原始生物流体样品体积预先确定。可以将浓缩的样品施加到atr晶体或红外/拉曼衬底上并接受红外或可见光波长电磁能的光束，例如衰减性红外光束。
在第二方面中，对患者中的病原体进行筛选的方法可包括在粒子的存在下离心来自患者的生物流体样品，将来自红外-可见光谱的电磁波束递送通过所述患者生物流体样品，和检测与至少一种病原体有关的粒子的存在。离心可包括例如使用血清分离管(sst)。
如下鉴定一种或多种病原体：将样品对电磁波束的吸收或散射与参考数据库和/或病原体模型相比较来检测病原体特异性的分子表型。
附加地或者替选的，可以如下定量样品中的病原体浓度和患者中的致病性载荷：将生物流体样品对电磁波束的吸收与校准模型(例如，参考数据组)相比较来定量生物流体样品中存在的病原体细胞数目。
在变体的第三方面中，对患者中的病原体进行检测的方法可包括如下步骤：将来自红外-可见光谱的电磁波束递送通过与由患者生物流体衍生的样品接触的衬底，以产生所述生物流体的代表性红外样品光谱。样品光谱可包括一种或多种光谱成分，每种成分包括波数和吸光度值。可以就样品对电磁波束的吸收进行分析，以通过提供每种病原体的光谱的参考数据库来检测病原体之间分子差异的存在，所述参考数据库可用于得出具有波数和吸光度/强度值的一种或多种数据库光谱成分的模型。所述数据库光谱成分可用于鉴定致病物，如在用于红外光谱学的表1和用于拉曼光谱学的表2中所述。参考数据库可用于分类是否有一个或多个数据库光谱成分与对应于病原体的一个或多个光谱成分相对应。可以鉴定并生成对应的数据库成分的列表。可以基于一个或多个光谱窗口的积分面积生成atr谱的总吸光度。作为选择，可以基于对于每种病原体开发的校准模型使用整个光谱4000-700cm-1的积分面积来定量病原体载荷。
所述方法可以进一步包括如下定量病原体：通过将电磁波束的吸收与校准模型相比较来定量样品中存在的病原体细胞数目。这可以通过测量一个或几个光谱窗口的积分的吸光度/强度或通过积分整个光谱下面积来实现。所述方法还可以包括如下鉴定对特定类型的病原体具有特异性的分子表型：将样品对红外光束的吸收与参考数据库或病原体表型的模型相比较。
系统和装置
优选地，结合自动化系统或装置来执行本技术的方法。
在变体的第四方面中，以非短暂形式存储应用的计算机可读存储介质，所述应用用于执行检测由患者生物流体衍生的样品中与脓毒症有关的病原体的方法，所述方法包括记录样品的代表性红外光谱，将所述光谱与光谱模型的参考数据库相比较以鉴定样品的波数和吸光度/强度的一个或多个光谱成分。所述光谱成分鉴定病原体。可以鉴定和汇编与数据库中相应病原体光谱对应的样品成分的列表。所述记录、比较和/或汇编功能可以是自动化的。
所述计算机可读的存储介质可以进一步包括将所述光谱与校准模型的参考数据库相比较，以鉴定样品的波数和吸光度/强度的一个或多个光谱成分。所述光谱成分定量样品中存在的致病性细胞的数目。
所述变体的第五方面提供了配置用于检测由患者生物流体衍生的样品中的致病物的系统，所述系统包括存储器和控制器，所述控制器具有处理器和预定的指令组，以记录样品的代表性样品红外/拉曼光谱。所述样品光谱具有一个或多个光谱成分，每个成分具有波数和吸光度值。可以提供光谱模型的参考数据库。每个模型可具有波数和吸光度值的一个或多个数据库光谱成分。所述数据库光谱成分可以鉴定与脓毒症相关的病原体。可以确定参考数据库是否具有与一个或多个样品光谱成分相对应的一个或多个数据库光谱成分，且可以鉴定和汇编对应的数据库成分的列表。
在变体的第六方面中，所述应用可适合于能够检测由患者生物流体衍生的样品中的致病物，所述应用包括适合于执行包括以下步骤的方法的预定指令组：记录样品的代表性样品红外光谱，所述样品光谱具有一个或多个光谱成分，每个成分具有波数和吸光度值；提供光谱模型的参考数据库，每个模型具有波数和吸光度值的一个或多个数据库光谱成分，其中所述数据库光谱成分定量致病性细胞的数目；确定所述参考数据库是否具有与一个或多个样品光谱成分相对应的一个或多个数据库光谱成分；和汇编所鉴定的对应的数据库成分以及它们的定量的列表。
在一些变体中，可以提供计算机可读存储介质，用于以非短暂形式存储应用，所述应用用于执行检测血样中与脓毒症有关的病原体的方法，所述方法包括：在病原体预浓缩和分离之后记录ir和/或拉曼光谱。经过使用粒子的处理或不经处理的生物流体，特别是在sst管中；对光谱进行预处理以能够与数据库中的模型光谱相比较；和将光谱转移到远程中心数据库以将光谱与病原体数据库相关联，所述病原体数据库可实时更新或定期更新流行病学数据。所述记录、预处理和/或转移功能可以是自动的。例如，可以在无需用户输入的情况下执行这些功能中的一个或多个。
本领域的技术人员清楚，除了存储在计算机可读存储介质上之外，也可以将所述应用存储在云端或其它计算等价物中。因此，提供了可适合于检测血样中的致病物的应用，所述应用包括适合于执行包括以下步骤的方法的预定指令组：产生具有一个或多个光谱成分的病原体光谱的代表性样品红外和/或拉曼光谱，每个成分具有波数和吸光度值；提供光谱模型的参考数据库，每个模型具有波数和吸光度值的一个或多个数据库光谱成分，其中所述数据库光谱成分鉴定致病物；确定所述参考数据库是否具有与一个或多个样品光谱成分相对应的一个或多个数据库光谱成分；和汇编所鉴定的对应的数据库成分的列表。
因此，一些方法涉及使用标准ft-ir光谱仪和金刚石晶体atr附件或拉曼光谱计/显微镜和模型功能生成生物流体样品的ir和/或拉曼光谱以进行诊断。因此，所述方法可以使用相对小尺寸的设备来执行，适合于野外使用，甚至适合于在边远地区使用。
在一些变体中，提供了直接检测血清、血液或生物流体样品中的病原体的系统。所述系统可包括用于捕获ir和/或拉曼光谱的光谱仪，以及计算机。通过将病原体从血清、血液或生物流体样品分离，所述光谱仪可生成所述病原体的代表性ir或拉曼光谱。所述光谱可以通过平滑化、通过采用一阶或二阶导数或采用线性/多项式基线校正进行基线校正以及使用标准正态变量(snv)或其它归一化进行归一化进行预处理。所述计算机可以将经过预处理的光谱应用于光谱模型的参考数据库以鉴定所述血清、血液或生物流体样品内的病原体的分子表型的代表性的波数和吸光度的一个或多个光谱成分。可以明确地鉴定每种病原体的光谱成分。所述计算机可以汇编经鉴定与数据库的相应光谱模型对应的样品成分的列表。
其它方面和优选形式在本说明书中公开和/或在所附权利要求书中限定，构成本技术的说明书的一部分。
本技术的方法所提供的优点可以包括提供用于为急诊发热患者评价脓毒症的床旁检测，以能够进行特定的和/或及时的处理。本文中公开的系统、装置和方法不需要培养微生物，且比常规的脓毒症检测方法更快。所述方法不需要任何试剂且不需要显著的训练，可以在短达20分钟左右内教给卫生工作者。所述方法可进一步具有高的灵敏度且具有用于区分包含病原体的血清样品与不含病原体的血清样品的高特异性，在一些变体中，所述方法还可以用于区分包括与脓毒症有关的革兰氏阳性和革兰氏阴性的细菌和真菌以及与脓毒症有关的最常见细菌组在内的不同病原体。
本技术的变体的另外的适应性范围可以从以下发明详述显而易见。然而，应该理解，发明详述和具体实施例，尽管表明了本技术的优选变体，但仅是作为例证给出，因为从发明详述来看，在本文公开内容的精神实质和范围内的各种变化和修饰对于本领域技术人员而言是显而易见的。
附图说明
本领域技术人员通过参考以下结合附图对各变体的描述，可以更好地理解本申请的优选和其它变体的进一步公开内容、目的、优点和方面，所述附图仅是作为例证给出，因此并不限定本文的公开内容，其中：
图1示出了根据本技术的方法用于提取和预浓缩病原体和随后进行基于振动光谱学的检测的流程的概述。
图2示出了增量掺杂(spiked)的血清210(上排)和过滤且重悬浮之后获得的溶液(下排)的示例性铺板结果。在增量掺杂(spiking)(以及过滤和重悬浮)之后，将悬浮液稀释以获得能够计数的hba板。
图3示出了在atr晶体表面上对分离和预浓缩的病原体的检测，示出了在空晶体上获得的几个光谱(空白)和载有1.71x104(302)和1.71x105(304)个金黄色葡萄球菌集落形成单位的晶体的光谱。
图4示出了十二种常见的血液病原体的atr-ftir光谱。
图5示出了十种常见病原体的拉曼光谱。
图6描绘了每个检验的样品被分类为在simca多类分级中所包括的三个不同病原体类别的预测概率。
图7示出了酰胺谱带的面积和atr晶体表面上的细菌量之间的定量关系。
图8说明了开发用于鉴定引起脓毒症的病原体的数据模型和云端诊断平台的方法。
图9a示出了从sst管获得的纯粒子的atr-ftir光谱。图9b说明了从sst管获得的纯粒子的拉曼光谱
图10是病原体鉴定系统的方框图，可包括从红外和拉曼光谱对病原体的检测、定量和鉴定。
图11描绘了鉴定和定量系统的另一个变体的方框图。
图12描绘了鉴定和定量血清样品中的病原体的质量控制方法的流程图。
图13描绘了用于确定光谱是否具有用于建模的充分吸光度或强度的质量控制阈值试验的流程图。
图14描绘了由分类器开发器(classifierdeveloper)执行的步骤的流程图。
图15描绘了用于鉴定和定量血清样品中的病原体的方法的流程图。
图16示意性地描绘了基于云端的光谱学系统的示例性系统结构。
具体实施方式
病原体的直接检测和鉴定
在一些变体中，可以基于样品中病原体的作为其特定分子表型的代表性的ir/拉曼光谱特征对其进行检测和鉴定。可以通过过滤将病原体从生物流体分离然后预浓缩在用于红外和/或拉曼光谱学的atr晶体或衬底的表面上。
所述方法可以包括如下的步骤：将全血收集到血清分离管，并通过例如离心(例如，100-10000rcf，1-20分钟)生成血清。使用过滤系统过滤所述血清，所述过滤系统具有介于约0.015微米到1微米孔径的可选择孔径，其允许所述过滤系统将血清样品的任何病原体截留在过滤器表面上。过滤材料可以基于对疏水性或亲水性过滤特征的需求进行选择。可以使用例如超纯水或另一种溶剂洗涤过滤器，所述另一种溶剂包括乙醇、二甲苯、丙酮和其它无机或有机溶剂。洗涤可以除去过滤器中的血清残留以及血小板。然后使用少量的超纯水或任何类型的溶剂重悬浮截留在过滤器表面上的病原体。然后可以使用具有本文中所述的过滤器的离心装置预浓缩所述重悬浮的溶液。可以在atr晶体或反射性拉曼载玻片或其它红外/拉曼光谱透射或反射性衬底的表面上直接干燥经过预浓缩的样品。例如，可以使用干燥气体或空气流执行干燥。可以将衬底放置在烘箱、干燥箱中或使用脱水溶剂将病原体重悬浮于酒精而不是超纯水中。可以对生物流体递送ir光或ir/可见/uv激光束。样品光谱可以包括一个或多个光谱成分，在ir的情况中，每个成分具有波数和吸光度值。在使用拉曼光谱学的情况中，光谱成分可包括拉曼强度和拉曼波数偏移。
可以使用由在相似实验条件下测量的病原体的参考光谱数据库构建的模型，根据ir或拉曼光谱鉴定和/或定量一种或多种病原体。鉴定和/或定量可以通过提供光谱模型的参考数据库来进行，每个模型具有波数和吸光度值的一个或多个数据库光谱成分。光谱成分的数据库可用于鉴定和定量致病物。参考数据库可用于确定是否有一个或多个数据库光谱成分与一个或多个样品光谱成分对应。换句话说，可以使用参考光谱模型将一个或多个样品光谱成分分类为致病性的。可以鉴定并汇编对应的数据库成分的列表。例如，可以使用所分类的样品光谱成分生成病原体数据。
从生物流体预浓缩和分离病原体可以使用将病原体与生物流体和其它组分(例如，细胞、蛋白质、代谢物)分离并将致病性悬浮液预浓缩到最小体积的超纯水或其它溶剂的任何方法进行。这些步骤可以包括根据病原体的类型进行过滤(例如，使用疏水性或亲水性的0.015-1微米过滤器)。也可以将磁性离子液体用作过滤器。
在一些变体中，可使用多变量模型通过评价病原体的吸光度并将样品光谱的吸光度与光谱装置的检测阈进行比较来确定病原体的存在。如果信号满足预定的信号品质阈值，则可以将所述光谱与参考数据库相比较，以鉴定和定量该病原体。
在一些变体中，所述方法可进一步包括在将光谱数据于参考数据库相比较时选择一个或多个光谱子集或窗口，这可以改善处理的效率或速度。
可以使用atr和/或拉曼光谱学确定一种或多种病原体(物种或者甚至菌株)的组成上的差异。例如，酰胺i(1650cm-1)和酰胺ii谱带(～1540cm-1)以及脂质谱带(3100-2800cm-1)和酯羰基(1740cm-1)可用于区别革兰氏阳性菌和革兰氏阴性菌。另外，在1102cm-1(肽聚糖)、约1218cm-1(磷壁酸)和1248cm-1(酰胺iii，肽聚糖)的谱带与革兰氏阳性菌有关，并可用于区分革兰氏阳性菌和革兰氏阴性菌。尤其是，例如假丝酵母属的真菌具有在1200cm-1至1000cm-1范围的来自碳水化合物部分的c-o伸缩方式的一系列强烈谱带。来自于血清中存在的致病性生物体的dna可能与在约1050cm-1、1080cm-1、1225cm-1、和1705-1720cm-1的ir能量的特定波长吸收有关。这些波长可用于确定与患者的脓毒症相对应的病原体的存在。
与病原体相对应的比例和ir/拉曼光谱特征可能是非常特异性的，使得允许与参考光谱数据库或多变量模型相匹配。这些方法可允许系统将革兰氏阳性和革兰氏阴性菌与真菌加以区别，以及允许鉴定十二种最常见的病原体或与脓毒症有关的任何其他病原体。
基于光谱学的分析
红外(ir)和拉曼光谱主要涉及分子振动对具有电磁波谱的红外部分波长的光的吸收(ir)或散射(拉曼)，所述波长即200-4000cm-1波数的能量。几乎所有生物分子的结构都包括吸收ir部分能量或散射来自电磁波谱的vis部分的能量的组成部分。因此，临床样品的红外和拉曼光谱代表了其主要生物学组分，且可以具有‘代谢指纹’的性质。
atr是可以结合ir使用的取样技术。可以将样品放置为与具有比样品更高折射系数的晶体的表面接触。可以使ir光束通过atr晶体，使得其在与样品接触的内表面反射至少一次。这种反射形成扩展到样品的衰减波。进入样品的穿透深度取决于光的波长、入射角和atr晶体以及所探测的介质的折射率。反射的数目可以是变化的。然后由检测器接收离开晶体的光束。
如下所示的表1列举了生物学化合物的典型ir谱带和它们的相应归属。病原体可具有这些谱带的各种比例和组合作为独特的分子表型。可以使用最小二乘法拟合方法将经过预处理的光谱与数据库相匹配。可以将高于r2>0.9(其中1.0是完美匹配)的计算值设置为与特定病原体的鉴定相对应的预定阈值。介于约0.5至约0.9之间的r2计算值可以对应于一种或多种病原体的存在。
表1：
表2列举了使用532nm激光谱线获得的致病性血液细菌和真菌的最主要拉曼谱带的实测波数值(cm-1)，并进行了归属。在表2中使用以下缩写：av-伸缩；def-变形；br-呼吸(breathing)；sym-对称的；asym-不对称的；phe-苯丙氨酸；trp-色氨酸；tyr-酪氨酸；t-胸腺嘧啶；a-腺嘌呤；g-鸟嘌呤；c-胞嘧啶；u-尿嘧啶。
来自于血清中存在的致病性生物体的dna可能与在约1050cm-1、1080cm-1、1225cm-1和1705-1720cm-1的ir能量的特定波长吸收有关，但是来自脂质、蛋白质和碳水化合物的其它谱带也可以辨别病原体(如表1中所述)。相应地，吸收可用于确定在患者中引起脓毒症的病原体的存在。来自患者的裂解细胞的核酸通过过滤器。
使用光谱装置的病原体直接检测
本文中所述的系统、装置和方法可以快速地鉴定血清中的一种或多种病原体。这可以有助于可改善患者结果的靶向处理。图1说明了用于提取和预浓缩病原体和随后基于振动光谱学进行检测的流程的概述。将血样100离心102，得到血清110。随后将血清110过滤104，使得病原体被截留在过滤器120上。取决于目标病原体，可以使用约0.015到约1微米的过滤器尺寸范围。病毒使用这个范围中较下端的过滤器尺寸。细菌使用小于0.22微米孔径的过滤器，而孔径大于0.22微米的过滤器可适用于例如血液寄生虫。使用较大孔径进行预过滤可以促进随后使用较小孔径对病原体例如病毒的提取。过滤器材料可以取决于所过滤的流体而变化。经历溶剂提取的生物流体可以使用无机过滤器，例如但不限于由氧化铝组成的那些。过滤材料还可以具有亲水性或疏水性的性能。亲水性过滤材料例如但不限于醋酸纤维素、聚醚砜、聚四氟乙烯，可能是最适合于包含蛋白质的体液，例如血清、血浆、脑脊液等，因为蛋白质更不容易结合于这些材料。疏水性过滤材料例如但不限于聚碳酸酯或聚乙烯，适合于体液的有机提取物。疏水性过滤材料可以被赋予更大的亲水性，因此更加适合于通过施加润湿剂例如聚山梨酯(与环氧乙烷共聚的山梨醇及其酐的棕榈酸酯)直接过滤体液。在已经过滤了体液或其溶剂提取物之后，可以洗涤过滤器120并将病原体重悬浮在超纯水或有机或无机溶剂106中，得到病原体的水或溶剂悬浮液130。随后将悬浮液130在微量离心机装置140中浓缩108并使得到的样品经历拉曼测定(在适当材料例如caf2制成的载玻片上干燥)和/或atr-ir测定112(在晶体上直接干燥)。干燥过程可以借助于空气或气体流或毛细管吸液系统。
在一些变体中，来自血清样品的病原体的基于振动光谱学的鉴定和/或定量可以包括从血清样品提取病原体和预浓缩的步骤。经过纯化的病原体提取物的沉积和干燥可以在atr晶体或拉曼反射性衬底上进行。所提取的病原体的分类和定量可以使用振动光谱学进行。例如，可以使用‘闭端’方法从经过滤的血清样品提取一种或多种病原体。可以使用过滤系统通过过滤提取病原体，使用孔径约0.015μm至约1μm的过滤器。所述孔径防止病原体通过所述过滤器，因为孔的直径小于病原体的尺寸。在过滤之后可用超纯水或有机或无机溶剂将残余物从过滤器中存在的血清洗出。然后可使用少量(例如300μl)的超纯水或其它溶剂将过滤器上的病原体重悬浮。随后可以使用微量离心装置将得到的病原体在水或溶剂中的溶液浓缩。微量离心装置可以包括过滤器且配置为将悬浮液浓缩至约10μl-30μl。
作为提取的结果，可以从血清样品提取出包含病原体的约10μl-30μl悬浮液。所述提取方法可以使用任何量的血清进行，但是可以包括约1μl到20ml的范围。对于被怀疑病原体水平较低的样品(例如，脑脊液)可能需要更大的体积。提取工艺的效率可以接近于100％。
图2说明了在增量掺杂(spiked)的血清样品中以及在细菌的过滤和重悬浮之后获得的溶液中的金黄色葡萄球菌(s.aureus)浓度的确定结果。通过所述提取方法获得的经过处理的样品溶液随后可使用atr-ftir技术进行测量。在一些变体中，可以将0.5μl的溶液直接干燥在atr晶体或其它红外透射或吸收材料上。作为选择，可以将样品置于适当的材料(例如拉曼级caf2载玻片)上并收集样品的拉曼光谱。本文中所述的方法可以使用经过重悬浮和浓缩的病原体的溶液的‘湿’或‘干’的样品。
对于细菌的溶液，可以使用ir和/或拉曼光谱确定一种或多种病原体的存在。样品的ir或拉曼信号可以对应于一种或多种病原体的不存在和/或存在。图3是与无细菌的晶体的光谱(例如，空白)相比较的沉积有1.71e4和1.71e5大肠杆菌(escherichiacoli)的两种溶液在干燥后记录的光谱图。吸光度与浓度成正比。1.71×104个大肠杆菌产生大约2×10-3吸光度单位的吸光度，而1.71×103个大肠杆菌产生2×10-3吸光度单位的吸光度。病原体的存在可以基于病原体信号与从干净晶体获得的或在沉积作为对照样品的经过预浓缩的提取物(在相同条件下获得)之后获得的基线之间的差异来确定。检测阈取决于病原体的大小，因此假丝酵母属(candidasp.)具有比大肠杆菌(e.coli)和其它细菌更低的检测限。生成的ir和/或拉曼光谱可以对应于特定病原体的一个或多个特征。通过鉴定ir和/或拉曼光谱中的这些特征可以鉴定病原体。
图4示出了十二种常见病原体的atr-ftir光谱：肺炎克雷伯氏杆菌(klebsiellapneumonia)402(gram-)、大肠杆菌(escherichiacoli)404(gram-)、铜绿假单胞菌(pseudomonasaeruginosa)406(gram-)、表皮葡萄球菌(staphylococcusepidermidis)408(gram+)、停乳链球菌(streptococcusdysgalactiae)410(gram+)、头葡萄球菌(staphylococcuscapitus)412(gram+)、粪肠球菌(enterococcusfaecaiis)414(gram+)、金黄色葡萄球菌(staphylococcusaureus)416(gram+)、蜂房哈夫尼菌(hafniaaivaris)418(gram-)、嗜麦芽黄单胞菌(stenotrophomonasmaltophila)420(gram-)、屎肠球菌(enterococcusfaecium)422(gram+)和近平滑假丝酵母(candidaparapsilosis)424(酵母菌)，代表了酵母菌、革兰氏阳性和革兰氏阴性细菌。
图5示出了十种常见病原体的拉曼光谱。图5示出了多个光谱窗口(区域)，包括3100-2800cm-1窗口(11)；1750-1500cm-1窗口(12)；1500-1200cm-1窗口(13)；1200-900cm-1窗口(14)；和900-700cm-1窗口(15)。这些区域中的一个或多个可用于所述模型中。例如，3100-2800cm-1之间和1750-700cm-1之间的整个光谱区域可以提供具有接近100％特异性和灵敏度的最佳模型。在2800-1750cm-1之间的光谱范围不包含生物学来源的谱带，且包含来自二氧化碳和金刚石atr晶体的谱带在被利用时可以使病原体的鉴定更困难。超过3100cm-1的光谱范围主要是来自样品中结合水的o-h伸缩模式的宽谱带且可以使病原体鉴定变得困难。低于700cm-1的区域是ir光谱仪中的许多检测器变得不灵敏的范围，带来测量信号与噪声比的间接损失。
如下所示的表3包括病原体物种和区分革兰氏阳性菌与革兰氏阴性菌的光谱窗口以及使用多变量方法进行独特病原体鉴定的光谱窗口。所述光谱窗口包括：光谱窗口16主要来自脂质和蛋白质的ch伸缩区域(3100-2800cm-1)；光谱窗口17与脂质有关的酯羰基区域(1750-1700cm-1)；光谱窗口18酰胺i区域(1700-1600cm-1)；光谱窗口19酰胺ii区域(1600-1500cm-1)；光谱窗口20主要来自蛋白质和脂质的羧酸酯区域(1450-1400cm-1)；光谱窗口21不对称磷酸二酯伸缩dna/酰胺iii区域(1300-1200cm-1)；光谱窗口22dna对称伸缩和碳水化合物区域(1200-800cm-1)。
在一些变体中，光谱窗口21和22可用于区分gram+和gram-细菌，其中两组细菌之间细胞壁组分的差异表现为与革兰氏阳性细菌相关的在1102cm-1(肽聚糖)、约1218cm-1(磷壁酸)和1248cm-1(酰胺iii，肽聚糖)处的不同谱带。表3中紧邻物种名称的数字对应于图4中数字编号的光谱。在表3中，从左到右光谱窗口的相对重要性递减。需要指出的是，两个或更多窗口的组合可改善病原体鉴定。光谱窗口数字与图4中的阴影面积相关。革兰氏阴性细菌可以基于在3100-2800cm-1范围内更强的ch2和ch3伸缩振动而区别于革兰氏阳性细菌，这与表3和图4中的光谱窗口16相关联。假丝酵母属病原体可以基于在1200-1000cm-1的非常强烈的c-o伸缩区域区别于所有细菌，显示出在1030cm-1具有与1080cm-1相比更强烈谱带的独特特征。相反的是所有细菌表现出来自dna的更强烈的1080cm-1谱带。其它细菌可以通过表3中详述的光谱窗口的不同组合来区分。所述光谱窗口可以通过包括随机森林(randomforest)和如下所述的其它变量选择方法在内的特征选择算法而被自动分类。
表3：
图5说明了十种常见病原体的拉曼光谱：大肠杆菌(escherichiacoli)502(gram-)、肺炎克雷伯氏杆菌(klebsiellapneumonia)504(gram-)、铜绿假单胞菌(pseudomonasaeruginosa)506(gram-)、粪肠球菌(enterococcusfaecaiis)508(gram+)、屎肠球菌(enterococcusfaecium)510(gram+)、金黄色葡萄球菌(staphylococcusaureus)512(gram+)、头葡萄球菌(staphylococcuscapitus)514(gram+)、表皮葡萄球菌(staphylococcusepidermidis)516(gram+)、停乳链球菌组生物体(strep.dysgalactiaegrouporganism)518(gram+)和近平滑假丝酵母(candidaparapsilosis)520(酵母菌)，代表了酵母菌、革兰氏阳性和革兰氏阴性细菌。
图5示出了用于分析的光谱范围：3050-2800cm-1(11)；1750-1500cm-1(12)；1500-200cm-1(13)；1200-900cm-1(14)；和900-700cm-1(15)。2800-1750cm-1之间的光谱范围不含生物学来源的谱带且对于诊断建模没有用处。低于700cm-1的光谱范围包含弱的谱带，具有测量信号与噪声比的问题且对于诊断建模而言不可靠。高于3050cm-1的光谱范围包含与较低波数区域中的谱带有关联的谐波谱带，其可能有助于或无助于分类性能。可将这些区域的组合用于建模，或者可替选的，介于3100-2800cm-1之间以及1800-600cm-1之间的光谱区域可以提供接近100％特异性和灵敏度的最佳模型。
表4示出了一组病原体物种和用于区分革兰氏阳性菌与革兰氏阴性菌的一组拉曼光谱以及用于使用多变量方法进行独特病原体鉴定的光谱窗口。所述光谱窗口包括：光谱窗口11主要来自脂质和蛋白质模式的ch伸缩区域(3100-2800cm-1)；光谱窗口12蛋白质和脂质模式(1750-1500cm-1)，包含1585cm-1的细胞色素的贡献；光谱窗口13细胞色素和脂质模式(1500-1200cm-1)；光谱区域14碳水化合物和蛋白质区域，包括1004cm-1的苯丙氨酸模式(1200-900cm-1)；光谱区域15核酸区域900-700cm-1。表4中光谱窗口的相对重要性从左到右递减。需要指出的是，两个或更多窗口的组合可改善病原体鉴定(例如，利用3100-2800cm-1和1800-600cm-1的两个区域)。光谱窗口数字与图5中的阴影面积相关。
表4：
使用上述用于ir或拉曼的光谱窗口，病原体的检测可以涉及包括两个或更多个上文提供的光谱窗口的多类分类器，其中两个或更多个光谱窗口的贡献包括不同的权重，其通常根据表3和4中提供的光谱窗口而不同。例如，对于表3中的大肠杆菌(e.coli)，在1200-800cm-1范围内或与之重叠的吸光度的加权贡献大于或等于在3100-2800cm-1范围内或与之重叠的吸光度的加权贡献，其又大于或等于在1750-1700cm-1范围内或与之重叠的吸光度的加权贡献，其又大于或等于在1450-1400cm-1范围内或与之重叠的吸光度的加权贡献，其又大于或等于在1300-1200cm-1范围内或与之重叠的吸光度的加权贡献。对于包括少于全部光谱窗口的分类器，剩余光谱窗口的次序权重可以保留。同样，对于一些分类器，来自同一光谱窗口的不同特征可以具有不同的权重。例如，对于表3中的克雷伯氏菌属(klebsiella)和假单胞菌属(pseudomonas)，在3100-2800cm-1的吸光度的曲线下面积可与在3100-2800cm-1的吸光度波形形状具有不同权重。
图6描绘了使用软独立建模分类法(softindependentmodelingofclassanalogy，simca)的多级分类的实例。使用atr晶体中的干燥细菌的光谱的校准数据集构建模型，包含了白色念珠菌(candidaalbicans)(12)/金黄色葡萄球菌(staphylococcusaureus)(8)和大肠杆菌(escherichiacoli)(5)的光谱。在一些变体中，使用与本文中所述相同的生物流体样品制备方法，例如，将细菌过滤、离心、洗涤和/或用预定量的水重构，从样品生成光谱的校准数据集。使用来自每个病原体物种的一个独立样品对模型进行试验。图6示出了每个试验样品被分类到每个物种中的概率。可以看出，在所有情况中，对于三个样品，被预测到实际分类中的概率比被分到不正确分类的概率显著更高。
使用粒子方法间接检测病原体
在一些变体中，可使用二氧化硅/硅粒子来截留或聚集细菌并将所述粒子用作标记物来检测病原体的存在。粒子可以具有从约0.1微米到约20微米不同的大小。由塑料、金属和非金属制成的其它纳米或微米大小的粒子也可以用于截留病原体，(例如，用与细菌或者真菌细胞壁结合的分子进行功能化或未经功能化的银、金、碳)。
本文中所述的方法可以使用‘湿’或‘干’的血清样品。在一些变体中，血清样品可以是湿的，即，处于液体形式，且可以任选地包含天然存在的溶剂例如水，或有意加入的溶剂例如甲醇。在一些变体中，血清样品可以是干的，且可以最佳地包括直径约0.5cm的环。‘干’的血清样品可以如下形成：收集预定量的血清样品(即，10μl)，将样品置于适当的材料上，并且空气干燥所述样品。
在测量湿和干的样品之前，可以使用凝胶管执行预浓缩步骤。凝胶管或血清分离管(sst)可包括凝胶分离器以改善血清与血细胞的分离。这可以浓缩病原体例如细菌和真菌，具有增加用于病原体检测的红外光谱学的灵敏度的有利效果。
可以将来自被怀疑患有脓毒症的患者的血液分离为血清和细胞级分，这可以通过使用sst的离心(例如，以大约3500r.p.m，约10分钟)来形成。病原体细胞可以浓缩在sst中紧邻凝胶层上方的血清中。二氧化硅涂层粒子可以被截留在紧邻凝胶上方的层中。可以如下用移液枪移取包含浓缩病原体细胞的血清的等分试样：将移液枪头置于尽可能接近凝胶层并抽出约20μl血清，其可用于红外或拉曼测定。所述凝胶可具有非常特异性的光谱特性，既不可以溶于血清也不可以转移到血清中。因此，凝胶污染在光谱中是显而易见的，并且如果存在污染，则可以立即收集另一个样品。
图8说明了开发用于鉴定血清中的引起脓毒症的病原体的数据模型和云端诊断平台的方法。可以从取自患者的静脉血制备血清或血浆802。可从所述血清或血浆分离血液病原体804。使用远程仪器获取红外或拉曼光谱806。对于以下血液病原体可以生成分类模型808：白色念珠菌(candidaalbicans)、肺炎克雷伯氏杆菌(klebsiellapneumonia)、大肠杆菌(escherichiacoli)、铜绿假单胞菌(pseudomonasaeruginosa)、表皮葡萄球菌(staphylococcusepidermidis)、停乳链球菌(streptococcusdysgalactiae)、头葡萄球菌(staphylococcuscapitus)、粪肠球菌(enterococcusfaecaiis)、金黄色葡萄球菌(staphylococcusaureus)、蜂房哈夫尼菌(hafniaaivaris)、嗜麦芽黄单胞菌(stenotrophomonasmaltophila)、屎肠球菌(enterococcusfaecium)、和近平滑假丝酵母(candidaparapsilosis)。
可以对光谱进行远程(例如，云端计算机)预处理810。可以使用采用分类模型808的诊断算法将光谱分类(812)为真菌或细菌、格兰氏阳性细菌或革兰氏阴性细菌以及分类为特定的致病性物种。可以通过本地计算网络将诊断从远程计算网络传送至测定位置的用户814。
图9(a)和图9(b)示出了来自sst管的纯粒子的atr-ftir和拉曼光谱。
在一些变体中，本文中讨论的方法可以在不到10分钟的时间内进行，典型地约5分钟，包括血清分离在内。相比而言，常规的脓毒症检测方法花费约3小时或更多时间。考虑到脓毒症的急性性质，本技术的快速检测速度是有意义的。在一些情况下，3小时的延迟可能显著地影响患者结果。
在一些变体中，可以在实验室进行光谱模型的生成；从已知血液、血清或已知对于特定致病物为阳性或阴性的其它生物流体制备校准光谱。在生成这些之后，可以将结果发送给认证的用户(例如，医生、患者、技术人员)。
在一些变体中，用于atr光谱法的工具包可以包括用于从全血得到血清的无菌sst管、无菌的针筒式滤器或超滤装置、无菌的微量离心装置和具有一次性枪头的移液枪。在一些变体中，用于拉曼光谱学的工具包还可以包括拉曼级结晶衬底例如caf2。在一些另外的变体中，所述工具包可以进一步包括如上所述的用于加入到生物流体中进行病原体捕获的粒子。
用于病原体的检测、定量和鉴定的系统
图10是用于检测病原体的系统的方框图概述，且任选地包括了分类器开发器以生成用于检测新病原体或使用新处理流程收集和处理的已有病原体的新分类器。光谱获取和验证系统1000(例如，光谱仪)可生成光谱，可以将其发送给光谱分析系统1005并储存在参考数据库1010中。也可以将另外的信息，例如，关于血培养和/或手动外周涂片检查的信息，发送到数据库1010，与光谱传送同时进行或在之后进行，且可以将其与来自相同的事件或患者的先前发射光谱相关联。某些数据验证过程可以存在于光谱获取系统1000中，而在其它系统中，验证过程可处于光谱分析系统1005中。
分析系统1005还包括分类器开发器1020，其可以被配置用于生成分类器1030。分类器开发器1020可以被配置为检索或选择参考数据库1010中的新的光谱数据集并确定是否具有足够的数据生成新的分类器，和/或可以提供对疑似新病原体的另外样品的数目的预测，以实现期望的置信度、灵敏度和/或特异性水平。分类器开发器1020可以产生一组可选择的分类器并选择随后用于从光谱获取系统1000生成的样品的光谱生成病原体数据1040(例如，病原体的存在/量/物种)的分类器。
这种也能够执行生物流体分析以鉴定病原体的系统与其中已经确定了分类器1030且已经用没有分类器开发器1020的分类器1030预先配置分析系统1005的诊断系统形成对比。在所述后一种情况中，从获取系统1000传送给分析系统1005的光谱可以被储存在数据库1010中或可以直接送往分类器1030进行分析。所述后一种实施方式可用于集成的光谱仪和光谱分析系统，其可以在偏远的地方使用，其中所述系统可以具有或没有远程通信模块或通信网络接口，或者其中不执行分类器开发。
在一些变体中，如果打算由生成分类器的分类器开发器2020使用光谱，且用于预测样品的特征是已知的，则然后将获取的光谱从光谱获取系统1000的格式转化为分类器开发器系统1020可读的格式并与参考数据一起发送至分类器开发器内的光谱数据库1010。如果打算由分类器1030将光谱分类，则将光谱从光谱获取系统的格式转化为分类器1030可读的格式，在一些变体中，开发器1020和分类器1030可用的数据格式是相同的。
可以使用系统1000收集和处理一组血清或其它生物流体样品和它们的参考数据，即，它们对于给定病原体是阳性还是阴性。血清样品的ir光谱可由光谱获取系统1000来记录并用于产生矩阵x(n＝样品数×v＝波数值的数值)和参考数据的矢量y(n×1)。
拉曼光谱的生成可以使用约0.5cm-1至约16cm-1的光谱分辨率和约20cm-1至约4000cm-1的光谱范围。或者，对于红外测量，可以在范围600-4000cm-1内生成一组1至约4000个离散波数。可以通过将范围为0.001秒至10分钟的时间间隔内的信号叠加(co-adding)来生成光谱。可以使用具有介于200nm和1400nm之间的波长范围的不同激发能量的激光器生成拉曼光谱。
预处理
可以通过用过滤器将光谱平滑化来减少光谱的噪音。在一些变体中，可使用savitzky-golay过滤器将3-30个点的窗口的光谱矢量拟合为第一到第六阶范围的多项式。可以使用savitzky-golay过滤器采用3-30个点的光谱窗口和第一到第六多项式拟合来计算光谱的导数。例如，可以计算拟合的多项式的第一到第六阶导数。可进行基线的校正，将在样品对信号没有贡献的区域中的光谱拟合为第一到第六阶多项式，然后将其从完整区域中的原始多项式减去。然后通过调整光谱信号进行光谱信号的归一化，以校正通路长度的差异。可以通过在光谱的范围、积分面积、光谱平均值和标准偏差中的一者之间分割光谱值进行归一化。在一些变体中，可以调整光谱信号以获得一致的光谱最大值和最小值之差(例如，min-max归一化)。
可以去除光谱的非信息部分，以改善分类的准确性、效率和/或速度。尤其是，优选使用有限数目的波数值(如表3中所示的所选光谱窗口)。
质量控制
图11描述了光谱获取和验证系统1000的一般过程，其可以生成光谱1100，对光谱数据执行另外的质量控制和数据操作以存储在数据库1120中和由分类器1130进行分析(例如，用于鉴定和定量系统的数据格式)。尽管图11描绘了质量控制分析器1110作为光谱分析器1005的一部分，质量控制分析器的全部或者一部分也可以在获取系统1000中执行。
在光谱仪中由于例如样品与atr晶体的接触不良导致光谱仪数据可被分类为不足。质量控制过程可检测样品中不同组分的过量(或缺乏)和干扰。可以计算所述组分的相对浓度并将这个浓度与阈值相比较。例如，可由控制器生成所述组分的相对浓度值的分布。然后可以使用在上端和下端逐渐变小的分布部分来限定阈值，如果组分的相对浓度处于所述阈值以外，则将数据分类为质量控制不及格。
光谱的验证可以在将其包括到上述模型之一中之前来执行。这确保了所获取的光谱具有与模型中所包括的特征相似的特征。这还保证了技术问题不会干扰从模型提取信息。例如，图12和13代表了可以被并入图11中所述质量控制过程1110的示例性质量控制方法，用于确定光谱是否具有正确的信号且不含例如来自污染物的贡献。
在图12中，对接收到的光谱1200检查大气污染物1210、样品污染物1220和信号质量1230。例如，对于大气污染物1210，背景和样品测量之间的ir或拉曼活性的大气蒸汽的波动可以产生阴性的和阳性的谱带，其可以使用阳性和阴性的阈值来检测。样品处理相关的污染1220可包括没有被恰当清除的溶剂(水或其它有机或无机溶液)或已经污染样品的二氧化硅或其它粒子的检测。差的信号质量1230可能是由于样品与atr晶体的接触不良或在使用拉曼显微镜或其它拉曼测量设备时的非最佳对焦。这可以通过查看吸光度信号的宽带衰减来检查。
另一个质量控制检查1240可与模型1250关联且依赖于在建模方面对样品与校准试样之间的距离的测定。例如，pls-da上的hotelling'st2和sq残差可以以95％的置信区间使用。在一些变体中，光谱的质量控制可以以大气干扰(水)、溶剂(水或甲醇)、样品和距模型的距离的顺序进行。
在所接收的光谱1200经历一个或多个质量检查过程之后，可将光谱1200提供给模型1250进行进一步处理。在一些变体中，qc可以提供二元结果，光谱1200和/或模型1250通过所有或足够数量的qc检查从而可以随后由模型1250对光谱1200进行处理，或者未通过且生成错误信息并送往分析系统1005和/或获取系统1000。在其它qc系统中，提供了多水平或分支的qc系统，使得在光谱1200可由模型1250处理但是未满足一定的置信度、灵敏度和/或特异性标准或具有偏差的风险时，在分析系统1005的诊断输出的同时可以为分析系统1005和/或获取系统1000提供一个或多个警告或调整信息。
图13描绘了可以在所述分析系统中提供的另一个示例性质量控制过程，其仅利用独立于所述模型的数据库1010。所述过程监测与样品光谱1200有关的不同组分的过量(或缺乏)以及干扰。计算所述组分相对浓度并与基于红外光谱的吸光度标准和拉曼光谱的强度标准的阈值相比较。例如，可以将组分的相对浓度值的分布1310存储在数据库1010中。然后可以由在上下末端1320、1330逐渐变小的分布部分限定阈值1340、1350。如果所述组分的相对浓度在所述阈值以外，则所分析的光谱未通过质量控制过程。对于红外光谱学，阈值可以小于2×10-3吸光度单位；而对于拉曼，所述阈值可以为基于光谱中最强谱带的50个计数。
分类器开发器
回头参考图10，可选的分类器开发器1020可以接收来自光谱数据库1010和光谱系统1000的数据且生成用于未知样品的分类器1030。未知样品是这样的样品：其参考值是未知的并由此可以被传输到分类器开发器1020，如果数据库1010包含足够的数据，则生成新的分类器1030。图14中的方框图描绘了生成模型的过程，所述模型从ftir或拉曼光谱鉴定和定量病原体。可以由开发器1020接收来自数据库1010的数据，并分成校准数据集1410和验证数据集1420。校准数据集1410用于生成和优化模型。优化的目的是通过改变以下方面来比较几种分类器的性能：i)所使用的统计方法(例如，pls-da、svm以及如下更详细描述的其它可用方法)；ii)统计方法的内部参数，例如pls-da中的数字潜在变量或svm校准中的价值参数(costparameter)；iii)使用的光谱预处理；和iv)所使用的光谱区域。优化过程1440需要使用不同的统计方法产生几种分类器，如以下更详细描述的，包括这些统计方法的不同内部参数、所述预处理和光谱区域以及如下所述的变量选择。对于每种不同的统计方法，为模型选择的参数组1430可以根据用户的专业知识或使用参数的随机组合来选择，或者可以在没有用户输入的情况下自动地执行。对于每种模型，使用误差参数例如交叉验证或引导程序来评价模型的性能。然后根据分类器的性能在表1450中分选分类器，并选择执行最稳健分类的分类器(实现较低误差的分类器)。可以进行交叉验证或其它误差测量以选择模型或分类器1460。然后可以使用验证数据集1470对所选择的模型的性能进行试验。
相关的模式可通过模型找到，所述模型以预期由分类功能执行的操作范围的术语来表示(即，f＝g(x)的可能的g(x))。可以使用迭代数学过程来建立g(x)。在一些变体中，模型可以包括函数y＝f(x光谱)，对应于生物流体的光谱x和生物流体样品的一些属性y。这种y属性可以是样品的任何信息。例如，y可以将病原体的存在与病原体信号谱带对应，所述信号谱带不同于噪音基线或其它生物流体组分(例如，y＝1或0分别为可检测和不可检测)。可以基于光谱相似性将y对应于病原体库中的病原体分类(例如，y＝1,2,3...n，每个数字代表了一个分类)。y可以对应于在晶体上干燥的细菌的量。在这种情况中，y可以是代表细菌量的数值。
可以将包含和排除一种或多种病原体的光谱输入到分类模型中并用于学习每一分类(例如，疾病存在的阳性、阴性或未知)的光谱的特征性光谱成分以形成校准矩阵。由此，可以对新的生物样品的光谱(吸光度值或拉曼强度值的矢量)应用一组数学操作，以生成一个数值，其用于确定所述光谱可以被分类为阳性或阴性。
基于表3和4中所示的光谱窗口，或者可替选的，基于整个光谱范围4000cm-1到100cm-1，模型可以是对一种或多种病原体具有特异性。
仍参考图14，在一些变体中，分类器开发过程可包括接收包括病原体的血清样品和不存在病原体的血清样品的代表性校准红外光谱1410。所述校准光谱可以包括一个或多个光谱成分，每个成分具有波数和吸光度值。可以生成函数(例如，数学运算)y＝f(x光谱)，在血清或其它生物流体样品的光谱x与鉴定致病物的生物流体样品的光谱成分y之间建立关系。
在以已知的误差限度建立合适的y＝f所选(x)之后，可以将其用于来自患者的新的血清或其它生物流体样品的光谱以确定应答(阳性的和阴性的)。
对于本领域技术人员显而易见的是，本文中所述的过程可以迭代，但是参数的选择也可以通过各种其它方法、方法的组合和排列进行，包括使用分析问题性质的知识。例如，如果模型是非线性的，则不使用pls-da，或者可替选的，在分类中不使用co2区域。也可以使用迭代过程。例如，可以使用变量选择中的遗传数学运算，例如随机森林特征选择(randomforestfeatureselection)。
可以使用对样品的独立试验来评价建模步骤中选择的函数的分类质量。也就是说，可以引入验证样品1420的验证或试验光谱1470，作为所选择的分类器1460的函数的输入并将输出
可使用参考样品作为一组参考数据来校准分类器。参考样品可以经历本文中其它地方所述的预处理和质量控制检查。参考数据(例如特定病原体的存在/量/物质)可以存储在数据库中。
可以在建模之前除去无关的外部变差来源，以增强与目标谱带有关的光谱差异。可以减去校准数据的平均光谱(平均中心)以增强光谱之间的差异。可以通过将每个变量在整个校准组中的变量标准偏差之间划分来缩放所述变量(自动缩放功能)。
在一些实施方案中，可以使用部分最小二乘法离差分析(plsda)通过产生一系列潜在变量(lv)(在0和样品或变量的总数之间)来建模校准数据，所述潜在变量捕获校准试样数据集光谱中的变动性并将其与矢量y相关，所述矢量y包含对于阳性样品的壹和对于阴性样品的零。通常使用交叉验证(cv)来确定最佳的lv数。在一些变体中，人工神经网络(ann)可以连接要素(即，光谱变量)的输入层与执行变量操作的要素的隐蔽层。将这些操作的结果如前所述加权并可以在其它层中进行进一步的转换。最后，可在输出层中连接各个层，所述输出层提供了与病原体的存在相对应的结果。在一些变体中，支持向量机器分类器(svmc)可以使用内核将原始输入变量映射到高维空间，在那里，使用所支持矢量，可通过超平面线性分开各类。用户可以选择一个内核(例如，线性的、多项式的、高斯径向基础函数(rbf))然后优化模型的不同参数，包括价值参数c或γ参数，如果选择了高斯rbf的话。
可以将有和无病原体的光谱输入到模型中以学习每一分类(例如，疾病存在的阳性、阴性或未知)的光谱的特征性光谱成分，以由此形成校准矩阵。由此提供可以应用到新的生物样品的光谱(吸光度值或拉曼强度值的矢量)的一组数学操作，以生成一个数值，其用于确定所述光谱可以被分类为阳性还是阴性。
病原体定量
在一些变体中，在晶体上干燥的细菌量可以是一个特征。在这种情况中，y可以是代表细菌量的数值。病原体的定量可以提供对样品中集落形成单位(cfu)的量的预测。可以使用许多函数来定量病原体，包括相当于plsda但是执行回归的pls回归(plsr)。代替1和0，y矢量包含病原体的浓度。lv的优化与根据cv的plsda优化相似。ann也可以用于连续变量的预测。在一些变体中，可以使用支持向量机器回归(svmr)来计算浓度，且可以与svmc相同的方式进行优化，不同之处在于应该优化参数ε。
图7代表了用于基于酰胺谱带的积分来定量细菌的单变量模型，所述酰胺谱带例如1700-1500cm-1的吸光度的某些峰或auc。根据与空白信号的标准偏差的3和10倍相对应的浓度而建立的检测限(lod)和定量限分别为晶体中的7730和22600cfu。
处理系统
光谱分析和处理系统可包括与一个或多个光谱仪通讯的控制器。控制器可以包括一个或多个处理器和与所述一个或多个处理器通讯的一个或多个机器可读的存储器。所述处理器可包含从存储器接收的数据和操作人员输入，以控制光谱处理系统。对控制器的输入可以接收自一个或多个机器生成的来源(例如，光谱仪)和/或人生成的来源(例如，用户输入)。存储器可另外存储指令以引起所述处理器执行与所述处理装置相关的模块、过程和/或功能，例如本文中所述的方法。控制器可通过有线或无线通信通道与一个或多个光谱仪连接。控制器可以被配置为用于控制光谱处理系统的一个或多个组件，包括网络接口和用户界面。
控制器可以被配置为执行光谱数据的处理和/或分析，例如确定光谱数据质量，如本文中其它地方所述的。所述系统可以提供针对多个偏远位置的集中数据收集和标准化光谱信号处理。所述系统还允许认证的用户访问和检重查患者研究结果和执行另外的分析。例如，通过基于网络的界面可由一个或多个患者、护理员、保健提供者、健康计划和认证的内部和/或外部用户获得不同水平的患者结果。由此在可以将数据处理和数据存储集中于光谱处理系统的情况下，可以改善记录保留、安全和一致性。这样还允许经过训练的人员例如传染病专家或实验室技术人员手动处理和检查在中央位置提供访问的光谱数据，进一步提高效率和节省成本。
控制器可以被配置为从光谱仪导入和选择性地存储数据。例如，控制器可以被配置为通过在执行任何另外的分析之前执行质量控制过程来确定光谱数据质量。质量控制过程可以包括多种特征。例如，大气污染物鉴定涉及鉴定可以影响测定的大气污染物。在背景和样品测量之间的ir或拉曼活性的大气蒸汽的波动可以产生通过使用阳性和阴性阈值可被检测的阴性和阳性谱带。污染物鉴定可设法鉴定没有被恰当清除的在样品的制备中使用的和/或存在的一种或多种溶剂(水，meoh)和/或粒子(例如，二氧化硅)。
回头参考图10，光谱分析系统1005可以包括储存在关系数据库1010中存储的一组参考模型，其可用于生成分类器和/或存储分类器以评价生物流体样品。数据库及其包含的数据结构的格式可以与光谱仪的类型及其输出格式相对应。在一些变体中，可以通过获得样品组来开发参考模型。可以记录和/或提供一组血清或其它生物流体样品和对应的参考数据(即，它们对于给定病原体是阳性还是阴性)。可记录血清样品的ir光谱并用于产生矩阵x(n＝样品数，v＝波数的数值)和参考数据的矢量y(n×1)。
可以在约20cm-1至约4000cm-1的光谱范围中以约0.5cm-1至约1000cm-1范围的光谱分辨率生成ir光谱。或者，可以在范围约20至约4000cm-1的范围内生成一组1至约4000个离散波数。可以通过1至1064次扫描的叠加生成光谱。可以在获取样品光谱之前在相同的实验条件下生成空气或溶剂的背景。
拉曼光谱可以生成为在约20至约4000cm-1的光谱范围中具有约0.5cm-1至约1000cm-1范围的光谱分辨率。或者，可以在范围约20至约4000cm-1的范围内生成一组1至约4000个离散波数。可以通过将范围为约0.001秒至10分钟的时间间隔内的信号叠加来生成光谱。可以使用激光器生成拉曼信号，所述激光器具有介于约200nm至约1400nm之间的波长范围的不同激发能量。
控制器可以执行变量选择过程，来鉴定样品特征和分离它们以帮助分类。所述变量选择过程可以包括除去光谱的非信息部分，以改善分级的准确性、效率和/或速度。尤其是，可包括与特定疾病有关的有限数目的波数(所选择的光谱窗口)。可以顺序或同时地处理多个光谱窗口。两个或更多所选光谱窗口的处理可以改善使用该模型获得的结果的准确性。所要选择的光谱窗口的实例示出在表3和表4中。为了获得最佳的灵敏度和特异性，可以将3100-2800cm-1之间和1800-600cm-1之间的整个光谱范围建模并进行预测。
所述光谱处理系统可以包括分类器，其输入和/或存储经过预处理的数据，用于针对一组模型(例如，来自数据库)进行对比以确定病原体的存在。可以使用分类器进一步鉴定病原体。如图15所示，所述处理可包括获取光谱1200、对光谱数据1200执行预处理1510和对光谱数据执行变量特征选择1520。可以使用光谱数据1200用所选择的模型预测病原体数据1530，例如病原体的存在和鉴定，且可以定量病原体载荷。
在一些变体中，以已知的误差限度建立y＝f所选(x)，然后应用于来自患者的血清或其它生物流体样品的光谱以确定应答(阳性和阴性)。
所生成的模型可以是线性的或非线性的，且可以与未知疾病状态的血清或其它生物流体样品相比较。例如，可以基于部分最小二乘法算法的离差分析产生线性模型，以提供每个波数(i)的加权(w)的回归矢量：w＝(w1,w2,w3…wi)。
变量或特征选择1520涉及除去光谱1200的非信息部分，以改善分类的准确性、速度和/或效率，因为仅有有限数目的波数(所选择的光谱窗口)可以与特定或疑似的疾病相关。存在有多种方法来选择那些波数值，从直接的目标区域选择到复杂的迭代选择例如遗传数学运算如随机森林特征选择(randomforestfeatureselection)。
例如，可以从分析省略掉上述光谱窗口之间的一个或多个波数范围或子范围。对于atr光谱法而言，省略的波数范围或截止可以包括以下波数：低于700cm-1、1300至1400cm-1、1450至1500cm-1和/或1750至2800cm-1，或其子范围。
在另一个实例中，可以将光谱表征为吸光度数值的矢量x＝(x1,x2,x3…xi)。可以通过用回归矢量w(i)乘以每个吸光度x(i)处的光谱吸光度值来计算最终结果：y＝(w1x1+w2x2+w3x3…wixi)。可以将接近+1的y值指定为一个类别(例如，对于该致病物为阳性)，并将接近0的y值指定为另一类别(例如对于该致病物为阴性)。应该理解，与指定为一个类别或另一类别有关的截止值是任意的且是可以被优化或改变的那些变量之一。这对于例如如果优选具有比假阴性更多的假阳性而言，可能是适合的。
病原体的分类可以根据该病原体(例如，革兰氏阳性或革兰氏阴性)的一个或多个特征将病原体分类。可以使用对数据集中每一类别进行主成分分析(pca)的软独立建模分类法(softindependentmodelingofclassanalogy，simca)执行分类。可以选择最佳数目的主成分(pc)以在每个分类中捕获足够的方差。通过将未知光谱的残余方差与每个分类中样品光谱的平均残余方差相比较，有可能获得对每个样品在每个分类的概率的直接测量。
在一些变体中，独立地研究每个数据集的所有处理的性能。最佳建模系统的选择可以基于通过交叉验证所获得的预测结果。在一些变体中，可以使用集合模型。也就是说，对于每个样品，每个建模系统给出一个类别投票，且通过计算那些投票的模式获得最终的预测。
注意，对于特定病原体的诊断而言，并没有确定的最佳模型。取决于致病物所固有的不同因素、样品数目和那些样品的可变性，一些模型表现出比其它模型更好的分类性能。相应地，对于每种应用，应该进行对于不同建模可能性的事先深入研究。最好的是，应该确定在建模中所涉及的所有变量。可以经过优化以产生有用模型的其它变量包括随机森林(randomforest)中的树的数目和plsda中潜在变量的数目。
在一些变体中，可以通过特定的病原体谱带确定病原体的存在，所述病原体谱带不同于噪音基线(例如，y＝1或0分别为可检测和不可检测)。
在一些变体中，病原体的分类可以使用病原体库，基于病原体库中的光谱相似性，其中y＝1,2,3...n，每个数字代表了一个分类。模型可以对于一种特定的病原体或病原体的组合具有特异性。
应该容易理解，可以监测所施加的方法以确保进行的准确度。这可以使用对照样品进行，其对于模型的未来变化而言是预言性的。对未知疾病状态的血清或其它生物流体样品所产生和施加的模型可以是线性的或非线性的。在一些变体中，可以基于部分最小二乘法算法的离差分析(pls-da)产生线性模型，以提供每个波数(i)的加权的矢量，例如回归矢量：w＝(w1,w2,w3…wi)，其可以对应于表3和4中的光谱窗口。
图16示意性地描绘了基于云端的光谱学系统1600的示例性系统结构。所述系统1600可包括本地计算网络1602和远程计算网络(例如，基于云端的系统)1620。所述网络1602在一个或多个用户(例如，患者、技术人员、保健提供者)可以提供样品至光谱仪1606的意义上是本地的。光谱仪1606可以与控制系统1608(例如，计算机系统、计算装置)连接。所述控制系统1608可处于与光谱仪1606同一场所、相邻或附近的场所、或在不同建筑、城市或国家等的遥远位置进行远程操作。在一些变体中，可提供多个光谱仪1606和/或控制系统1608。控制系统1608可以包括rf电路以和远程网络1620通讯。在一些变体中，可以使用安全令牌服务1622(例如，安全令牌)和/或用户认证服务1624来确保本地网络1602与远程网络1620之间的安全通讯和预防对患者数据的非认证访问。令牌1622可以包括密钥、口令、数字签名等。用户认证服务1624可以包括例如桌面单一登录(sso)和用户名/口令验证。
在一些变体中，可以将光谱数据传输到远程服务器1626,1628用于光谱数据的处理。例如，服务器1626可以对患者光谱数据执行质量控制处理、分类处理和本文中所述的其它处理。数据库服务器1628可以存储光谱数据、参考模型和其它用户数据。在一些变体中，数据库1628可以接收来自服务器1626的经过处理的数据并将参考数据传输给服务器1626。服务器1626,1628可以在相同或不同的网络上提供。
服务器1626,1628与控制系统1608之间的通讯可以使用唯一标识符1610(例如，用户名/口令、生物特征认证等)来保证安全。在一些变体中，可以使用安全通知服务1630来确保本地网络1602和远程网络1620之间的通讯是安全的。
控制器可以实施为符合多种通用或专用计算机系统或构造。可适合于本文中公开的系统和装置的各种示例性计算系统、环境和/或构造可包括但不限于个人计算装置内或配备于其上的软件或其它组件、网络设备、服务器或服务器计算装置例如路由/连接组件、便携的(例如，手持式)或膝上型装置、多处理器系统、基于微处理器的系统和分布式计算网络。便携计算装置的实例包括智能手机、个人数字助理(pda)、蜂窝电话、平板pc、平板电话(比智能电话更大但是比平板更小的个人计算装置)、智能手表和便携音乐装置等形式的穿戴式计算机以及便携或穿戴式增强现实装置，所述增强现实装置可以通过传感器与操作员的环境交互且可以使用用于可视化、目光追踪和用户输入的头戴式显示器。
所述处理器可以是被配置用于运行和/或执行一组指令或编码的任何适合的处理装置且可以包括一个或多个数据处理器、图象处理器、图形处理单元、物理处理单元、数字信号处理器和/或中央处理单元。所述处理器可以是例如，通用处理器、现场可编程门阵列(fpga)、专用集成电路(asic)等。所述处理器可配置为运行和/或执行与系统和/或与之相连的网络有关的应用进程和/或其它模块、处理和/或功能。可以以各种组件类型提供基础的装置技术，例如，金属氧化物半导体场效应晶体管(mosfet)技术如互补金属氧化物半导体(cmos)、偶极技术如射极耦合逻辑(ecl)、聚合物技术(例如，硅缀合聚合物和金属缀合聚合物-金属结构)、模拟与数字混合等。
在一些变体中，一个或多个处理器可以在云端计算环境中或者作为软件即服务(saas)执行本文中所述的方法。例如，本文中所述方法的至少一些步骤可以由通过网络(例如，互联网)和通过一个或多个合适的界面(例如，api)通讯的一组计算机来执行。云端计算系统可以包括客户端和服务器。客户端和服务器通常彼此远离且典型地通过通信网络相互作用。客户端和服务器的关系借助在相应计算机上运行且彼此具有客户端-服务器关系的计算机程序而产生。
在一些变体中，存储器可以包括数据库，且可以是例如，随机存取存储器(ram)、存储缓冲器、硬盘驱动器、可擦除可编程只读存储器(eprom)、电可擦只读存储器(eeprom)、只读存储器(rom)、闪速存储器等。如本文中使用的，数据库是指数据存储资源。存储器可存储指令以引起处理器执行与所述光谱处理系统相关的模块、处理和/或功能，例如光谱数据处理、通讯、显示和/或用户设置。在一些变体中，存储器可以是基于网络的且可由一个或多个认证的用户访问。基于网络的存储器可称为远程数据存储器或云端数据存储器。存储在云端数据存储器(例如，数据库)中的光谱数据可以由相应用户通过网络例如互联网访问。在一些变体中，数据库可以是基于云端的fpga。
存储器可以包括数据库，且可以是例如，随机存取存储器(ram)、存储缓冲器、硬盘驱动器、可擦可编程序只读存储器(eprom)、电可擦只读存储器(eeprom)、只读存储器(rom)、闪速存储器等。如本文中使用的，数据库是指数据存储资源。存储器可存储指令以引起处理器执行与所述处理装置相关的模块、处理和/或功能，例如光谱数据处理、通讯、显示和/或用户设置。在一些变体中，储存可以是基于网络的且可由一个或多个认证的用户访问。基于网络的存储器可称为远程数据存储器或云端数据存储器。存储在云端数据存储器中的光谱数据可以由相应用户通过网络例如互联网访问。
本文中所述的一些变体涉及具有非暂时性计算机可读介质(也可以称为非暂时性处理器可读介质)的计算机存储器产品，其具有用于执行各种由计算机实施的操作的指令或计算机代码。计算机可读介质(或处理器可读介质)在其不包括暂时性传播信号本身(例如，在例如空间或电缆等传输介质上携带信息的传播电磁波)的意义上是非暂时性的。介质和计算机代码(也可以称为编码或算法)可以是为一个或多个特定目的设计和构造的那些。非暂时性计算机可读介质的实例包括但不限于磁存储介质例如硬盘、软盘和磁带；光存储介质例如压缩盘/数字视频盘(cd/dvd)；压缩盘-只读存储器(cd-rom)；全息照相装置；磁光存储介质例如光盘；固态存储设备例如固态驱动器(ssd)和固态混合驱动器器(sshd)；载波信号处理模块；和专门配置用于存储和执行程序代码的硬件装置，例如专用集成电路(asic)、可编程逻辑器件(pld)、只读存储器(rom)和随机存取存储器(ram)装置。本文中所述的其它变体涉及计算机程序产品，其可以包括例如，本文中公开的指令和/或计算机代码。
本文中所述的系统、装置和/或方法可以通过(在硬件上执行的)软件、硬件或其组合来执行。硬件模块可以包括例如，通用处理器(或微处理器或微控制器)、现场可编程门阵列(fpga)和/或专用集成电路(asic)。(在硬件上执行的)软件模块可以以多种软件语言(例如，计算机代码)来表示，包括c、c++、
用户界面可以允许操作者直接和/或远程与处理系统进行交互和/或控制处理系统。例如，用户界面可以包括用于由操作员输入命令的输入设备，和用于操作员和/或其它观察者接收与处理系统的操作有关的输出(例如，在显示器装置上观看患者数据)的输出装置。在一些变体中，用户界面可以包括输入设备和输出设备(例如，触摸屏和显示器)且被配置为接收来自光谱仪、输入设备和输出设备中的一或多者的输入数据和输出数据。例如，由光谱仪生成的光谱数据可以由控制器处理且由输出装置(例如，监控显示器)来显示。作为另一个实例，可以由用户界面接收输入设备(例如，操纵杆、键盘、触摸屏)的操作员控制并由用户界面的控制器处理以输出控制信号到一个或多个处理系统和光谱仪。
用户界面的输出装置可以输出对应于患者的光谱数据，且可以包括一个或多个显示设备。显示设备可被配置为显示图形用户界面(gui)。显示设备可以允许操作员观看由控制器处理的光谱数据和/或其它数据。在一些变体中，输出装置可以包括显示装置，其包括发光二极管(led)、液晶显示器(lcd)、电致发光显示器(eld)、等离子显示器(pdp)、薄膜晶体管(tft)、有机发光二极管(oled)、电子纸/电子墨显示器、激光显示器和全息显示器中的一种或多种。
输入设备的一些变体可以包括被配置用于生成控制信号的至少一个开关。例如，输入设备可以包括用于操作员提供对应于控制信号的输入(例如，对接触表面的手指接触)的接触表面。包括接触表面的输入设备可被配置为使用多种触感性技术中的任一种检测接触表面上的接触和移动，所述触感性技术包括电容技术、电阻技术、红外技术、光学成像技术、分散信号技术、声学脉冲识别技术和表面声波技术。
本文中所述的处理系统可通过网络接口与一个或多个网络和光谱仪通讯。在一些变体中，所述处理系统可以通过一个或多个有线和/或无线网络与其它装置通讯。例如，所述网络接口可以允许处理系统与一个或多个网络(例如，互联网)、远程服务器和数据库通讯。所述网络接口可以通过配置为直接连接其它装置的一个或多个外部端口(例如，通用串行总线(usb)、多针插头)或间接通过网络(例如，互联网、无线局域网)便于与其它装置的通讯。
在一些变体中，所述网络接口可以包括射频(rf)电路(例如，rf收发器)，包括配置用于与一个或多个装置和/或网络通讯的接收器、发送器和/或光学(例如，红外)接收器和发送器中的一个或多个。rf电路可以接收和发射rf信号(例如，电磁信号)。rf电路实现电信号与电磁信号的互转并通过电磁信号与通信网络和其它通讯装置通讯。rf电路可以包括天线系统、rf收发器、一个或多个放大器、调谐器、一个或多个振荡器、数字信号处理器、codec芯片组、用户身份模块(sim)卡、存储器等中的一个或多个。无线网络可以是指不通过任何类型的线缆连接的任何类型的数字网络。无线网络中无线通信的实例包括但不限于蜂窝通信、无线电通信、卫星通信和微波通信。无线通信可使用多种通讯标准、协议和技术中的任一种，包括但不限于全球数字移动电话通讯系统(gsm)、增强数据gsm环境(edge)、高速下行包接入(hsdpa)、宽带码分多址(w-cdma)、码分多址(cdma)、时分多址接入(tdma)、蓝牙、无线保真(wi-fi)(例如，ieee802.11a、ieee802.11b、ieee802.11g和/或ieee802.11n)、互联网语音协议(voip)、wi-max、电子邮件协议(例如，互联网消息访问协议(imap)和/或邮局协议(pop))、即时消息(例如，可扩展消息和状态协议(xmpp)、即时消息和状态利用扩展的会话启动协议(simple)和/或即时消息和状态服务(imps))和/或短消息服务(sms)或任何其它适合的通信协议。一些无线网络部署将来自多个蜂窝网络的网络组合，或者使用蜂窝、wi-fi和卫星通信的混合。在一些变体中，无线网络可以连接于有线网络，以便对接互联网、其他运营商语音和数据网络、商业网络和个人网络。有线网络通常通过铜双绞线、同轴电缆和/或光纤电缆承载。有许多不同类型的有线网络，包括广域网(wan)、城市区域网(man)、局域网(lan)、互联网区域网(ian)、校园区域网(can)、全局区域网(gan)，如互联网和虚拟专用网络(vpn)。如本文中使用的网络是指无线的、有线的、公共的和私有的数据网络的任何组合，其典型地通过互联网相互连接以提供统一的网络和信息访问系统。
光谱数据或记录的处理可以使用本文中所述的硬件利用与患者所处临床或实验室位置的光谱仪的有线或无线的通信联络来执行。处理系统和光谱仪之间的通讯可以是或者不是随着光谱数据被接收或记录而实时执行。所述处理可以处于与光谱仪同一房间，或者在相同场所或建筑中的与光谱仪分开的房间。处理系统也可以处于远离光谱仪的位置(例如，不同的建筑、城市、国家)。
尽管已经结合特定变体描述了本技术，应该理解，其可以进行进一步修饰。本申请旨在涵盖本技术的任何变体、应用或改进，所述的变体、应用或改进总体上遵循本技术的原理且包括在本技术所属技术领域中已知或常规的实践范围内以及可应用于上述基本特征的对本公开的偏离。
由于本技术可以体现为若干形式而不脱离本技术必要特征的精神实质，应该理解，上述的变体并不限制本技术，除非另作说明，而是应该在如随附的权利要求书所限定技术的精神实质和范围内广泛地解释。所描述的变体应该在所有方面被理解为仅是说明性的而非限制性的。
各种修饰和等价物方案旨在包括在本技术和随附权利要求的精神实质和范围内。因此，特定变体应该被理解为对于可以实践本技术原理的许多方式而言是说明性的。在随附的权利要求书中，装置加功能表述旨在涵盖用于执行限定的功能的结构，且不仅包括结构等价物，还包括等效结构。
用于本说明书中的“包括”和“包含”意在说明所述特征、整数、步骤或组分的存在，但不排除一个或多个其它特征、整数、步骤、组分或其组的存在或加入。因此，除非上下文明确另外要求，在本说明书和权利要求书中，“包括”、“包含”等用语应该以开放式包含的意义来解释，而不是封闭式或详尽的意义；也就是应理解为“包括但不限于”。
应该理解，本说明书中对文献、装置、行为或知识的任何讨论都是为了解释本技术的背景。此外，贯穿本说明书的讨论源于发明人的认识和/或发明人对某些相关领域问题的鉴定。此外，本说明书中的对例如文献、装置、行为或知识等素材的任何讨论都用于按照发明人的知识和经验来解释技术背景，且因此，任何这种讨论不应被视为承认任何素材在澳大利亚或其它地方构成在本公开和权利要求书的优先权日期或其之前的现有技术基础或相关领域的普通常识的一部分。