コロナウイルス呼気検査器は、COVID-19の原因ウイルスであるSARS-CoV-2の存在を、人の呼気中から検出するために設計された診断機器である。実験室での処理が必要で不快感を伴うこともある従来の鼻スワブ検査とは異なり、呼気検査器は、迅速かつ非侵襲的な結果をケアの現場で提供することを目指している。この概念は、ウイルス感染が呼気の化学組成を変化させ、揮発性有機化合物（VOC）やその他の分子シグネチャーを生成することを利用しており、これらは高感度センサーや分光技術によって測定できる。
コロナウイルス呼気検査器の開発は、2020年初頭に始まったCOVID-19パンデミックの期間中に加速した。世界中の研究者や企業が、空港、職場、公共施設での大量スクリーニングのための潜在的なツールとしてこの技術を追求した。いくつかのプロトタイプが実証されているものの、規制当局の承認と広範な展開は限定的であり、2025年時点でほとんどの機器は実験段階またはパイロット段階に留まっている。
検出原理
コロナウイルス呼気検査器は、一般に化学センシングまたは光学分光法という2つの主要な原理のいずれかで動作する。化学センシングのアプローチは、ナノマテリアルや導電性ポリマーに基づくことが多いセンサーアレイを使用し、呼気中の特定のVOCに反応する。人が機器に息を吐き出すと、センサーは電気的または光学的な変化のパターンを生成し、機械学習アルゴリズムがそれを解釈して、サンプルをウイルス陽性または陰性として分類する。
ラマン分光法や赤外吸収などの光学分光法は、光がサンプルとどのように相互作用するかを測定することにより、呼気の分子組成を分析する。これらの技術は、特定のアルデヒド、ケトン、その他の代謝副産物など、SARS-CoV-2感染に関連する特定のバイオマーカーを特定できる。どちらのアプローチも、確認されたCOVID-19患者と健康な対照群からの呼気サンプルで訓練されたMachine learningモデルをしばしば採用する、高度なデータ処理を必要とする。
主要なプロトタイプと研究
最も初期の注目すべき取り組みの1つは、2020年に金ナノ粒子を使用した呼気検査器プロトタイプを開発したコロラド大学ボルダー校の研究者らによるものである。この機器は、少数の患者コホートでテストされ、感染した個人と健康な個人を高い精度で区別したが、サンプルサイズは限られていた。もう1つの注目すべきプロジェクトは、イスラエル工科大学（テクニオン）の科学者らによるもので、センサーアレイを使用して呼気VOCを分析するハンドヘルド機器を作成し、臨床試験で感度と特異度が90%以上であると報告した。
2021年、米国食品医薬品局（FDA）は、InspectIR Systemsが開発した質量分析ベースの機器であるInspectIR COVID-19 Breathalyzerに緊急使用許可（EUA）を付与した。これは米国でこのような許可を受けた最初の呼気検査器であった。この機器は、持ち運び可能なスーツケースほどの大きさで、3分以内に結果を出すことができ、いくつかの検査サイトで展開されたが、そのかさばりが広範な採用を制限した。
University of OxfordのチームやインドのBhabha Atomic Research Centreセンターを含む他の研究グループは、代替検出方法を模索した。オックスフォードのグループは、光ファイバーと機械学習の組み合わせを使用して呼気凝縮液中のウイルスRNA断片を検出し、インドの研究者はウイルスのスパイクタンパク質を検出できる電気化学センサーに焦点を当てた。
利点と限界
呼気検査器テストは、従来の方法に比べていくつかの潜在的な利点を提供する。非侵襲的であり、鼻スワブの不快感を排除し、数時間または数日ではなく数分で結果を提供できる。これにより、空港のセキュリティラインや大規模な公共イベントなど、高スループットのスクリーニングシナリオに適している。さらに、呼気サンプルは血液や唾液よりも収集が容易であり、オペレーターのトレーニングは最小限で済む。
しかし、重大な限界が残っている。呼気検査器の精度は、周囲の空気の質などの環境要因や、食事、喫煙、その他の健康状態による呼気組成の個人差によって影響を受ける可能性がある。多くの初期プロトタイプは管理された研究では高い精度を示したが、実際の環境では信頼性が低かった。さらに、これらの機器は較正とメンテナンスを必要とすることが多く、そのコストは広範な使用には法外なものとなる可能性がある。規制上のハードルも採用を遅らせ、保健当局は感度と特異度の厳格な検証を要求した。
人工知能との統合
呼気検査器データの解釈は、Artificial intelligenceおよびDeep learning技術に大きく依存している。センサーアレイは、従来の統計手法で分析するのが難しい複雑で高次元の信号を生成する。研究者らは、感染に関連するパターンを特定するために、確認された呼吸サンプルの大規模データセットでNeural networkモデル（Residual Network (ResNet)アーキテクチャを含む）を訓練してきた。これらのモデルは交絡変数を考慮に入れることができ、より多くのデータが利用可能になるにつれて分類精度を経時的に向上させることができる。
一部の開発者は、大規模な臨床コホートの必要性を減らすために、トレーニング目的で呼吸プロファイルをシミュレートするGenerative AIの使用を模索している。他の開発者は、QualcommやArm Holdingsなどの専門チップを使用したオンデバイス処理を実装し、クラウド接続なしでリアルタイム分析を可能にしている。Machine learningの統合は、同様のVOCシグネチャーを生成する可能性のある他の呼吸器感染症からCOVID-19を区別するために重要であった。
将来の方向性
2025年時点で、世界的な商業的成功を収めたコロナウイルス呼気検査器はないが、研究は続いている。COVID-19パンデミックは、呼吸器系診断への永続的な関心を刺激し、その応用はコロナウイルスを超えて、インフルエンザや結核を含む他の感染症にも及んでいる。低コストで使い捨て可能なセンサーの開発など、センサー技術の進歩により、呼気検査器がより利用しやすくなる可能性がある。さらに、Model PruningおよびData Augmentation技術の改善は、これらの機器で使用されるAIモデルの堅牢性を高める可能性がある。
規制当局も、呼吸器系診断を評価するためのより明確な枠組みを開発しており、これにより将来の承認が合理化される可能性がある。パンデミックの差し迫った緊急性は収まったが、迅速で非侵襲的なスクリーニングの可能性は、公衆衛生の備えにとって依然として魅力的である。MIT CSAILやStanford AI Labなどの学術機関と業界パートナーとの間の継続的な協力は、技術を洗練させ、現在の限界に対処することを目的としている。