Bu tədqiqat xroniki qaraciyər xəstəliyinin (CLD) nəfəsdə olan uçucu üzvi birləşmələrdən qeyri-invaziv şəkildə fərqləndirilməsini hədəfləyən və qaz xromatoqrafiyası-kütlə spektrometriyası (GC-MS), indium nitrid (InN) əsaslı yarımkeçirici qaz aşkarlama, üç vəziyyətli fizioloji nümunə götürmə və maşın öyrənməsini birləşdirən inteqrasiya olunmuş diaqnostik çərçivəni araşdırır. Çərçivə, tək bir biomarkerin konsentrasiyasına əsaslanmaq əvəzinə bir neçə VOC-nin yaratdığı çoxölçülü metabolik nümunədən istifadə etməyi nəzərdə tutan analitik sistemdir. Tədqiqatçılar 2000-dən çox mümkün nəfəs VOC-si arasından təxminən 20 namizəd müəyyən etmiş, daha sonra GC-MS və xüsusiyyət seçimi ilə daha məhdud panel yaratmışdır. InN əsaslı sensor xüsusilə ammonyak aşkarlanması üçün xarakterizə edilərkən, maşın öyrənməsi ilə təsnifat əsasən GC-MS-dən əldə edilən çoxsaylı VOC xüsusiyyətləri üzərində aparılmışdır.

Tədqiqatın əsas çətinliyi xroniki qaraciyər xəstəliyi ilə oturaq həyat tərzının yarada biləcəyi metabolik nümunələrin qismən üst-üstə düşməsidir. Tədqiqatçılar bu problemi həll etmək üçün istirahət, məşq və bərpa mərhələlərindən ibarət üç vəziyyətli nümunə götürmə protokolu tətbiq etmiş; qısamüddətli fiziki fəaliyyətdən güclü təsirlənən biomarkerləri daha sabit biomarkerlərdən ayırmağa çalışmışdır. Random Forest təsnifləndiricisi və DBSCAN/kNN əsaslı məlumat artırma yanaşması ilə qurulan dörd sinifli model üçün ümumi dəqiqlik 0,86, makro-orta AUC isə 0,96 olaraq bildirilmişdir. Oturaq sinif üçün precision 0,92, recall isə 0,54-dür.

Bununla belə nəticələr geniş populyasiya üçün qəti klinik performans sübutu kimi şərh edilməməlidir. Oturaq qrupun real ilkin nümunəsi yalnız dörd nəfərdən ibarətdir və sinif balanssızlığı sintetik nümunə istehsalı ilə azaldılmışdır. Bundan əlavə mənbə mətnində ümumi iştirakçı sayı, bəzi GC-MS iş şəraiti və sensorun aşkarlama həddinin ifadə olunması arasında daxili uyğunsuzluqlar mövcuddur. Buna görə tədqiqat tamamlanmış portativ klinik diaqnostika cihazının doğrulanmasından daha çox nəfəs metabolomikasını, fiziki sensoru və çoxdəyişənli maşın öyrənməsini bir araya gətirən eksperimental texniki çərçivə kimi qiymətləndirilməlidir.

Niyə tək bir nəfəs biomarkeri kifayət etməyə bilər?

İnsan nəfəsində 2000-dən çox uçucu üzvi birləşmə ola bilər. Bu molekulların bir qismi hüceyrə enerji metabolizması, amin turşusu metabolizması, lipid metabolizması və qaraciyər tərəfindən həyata keçirilən biokimyəvi çevrilmələrin son məhsulları və ya yan məhsulları kimi meydana çıxır. Buna görə qaraciyər funksiyasındakı dəyişikliklər nəzəri olaraq nəfəsdə ölçülə bilən kimyəvi bir “metabolik barmaq izi” yarada bilər.

Lakin eyni VOC yalnız bir xəstəliyə xas deyil. Ammonyak qaraciyərin sidik cövhəri dövranındakı pozğunluqlarla əlaqəli ola bildiyi halda böyrək funksiyası, ağız və mədə-bağırsaq mikrobiotası da nəfəs ammonyakına təsir göstərə bilər. Dimetil sulfid (DMS) hepatik metabolizmlə əlaqəli olsa da ağız gigiyenası, mikrob aktivliyi və qidalanmadan təsirlənə bilər. Limonen isə qaraciyər klirensi ilə əlaqələndirilsə də yaxın zamanda sitrus meyvələrinin qəbulu və ya ətraf mühitə məruz qalma konsentrasiyanı dəyişə bilər.

İzopren xüsusilə mühüm nümunədir. Tədqiqatda izoprenin fiziki fəaliyyətlə güclü şəkildə dəyişdiyi göstərilmişdir. Buna görə bir VOC-nin xəstəliklə əlaqəli olması onun təkbaşına etibarlı və fizioloji vəziyyətdən asılı olmayan diaqnostik marker olması demək deyil.

Üç vəziyyətli nümunə götürmə niyə istifadə edildi?

Üç vəziyyətli protokolun məqsədi istirahət, məşq və bərpa boyunca dəyişən keçici metabolik siqnalları xroniki və daha sabit metabolik xüsusiyyətlərdən ayırmaqdır. Tədqiqatda iştirakçılar əvvəlcə təxminən 60–80 BPM ürək dərəcəsində istirahət etmiş, sonra təxminən iki dəqiqəlik pilləkən qalxma məşqi ilə 100–120 BPM aralığına çatmış və nəhayət təxminən 15 dəqiqəlik bərpadan sonra ürək dərəcəsi yenidən 60–80 BPM səviyyəsinə qayıtdıqda nümunə götürülmüşdür.

Tədqiqatın məntiqi yalnız məşqdən dərhal sonra yüksələn bir VOC-nin xəstəlik ayrımı üçün etibarlı olmaya biləcəyidir. Recursive Feature Elimination (RFE) yanaşması buna görə hər üç fizioloji vəziyyətdə də ayırdetmə gücünü qoruyan xüsusiyyətlərin müəyyənləşdirilməsi üçün istifadə edilmişdir.

İzopren niyə təkbaşına yetərli olmadı?

İzopren konsentrasiyaları istirahətdən məşqdən sonrakı vəziyyətə keçildikdə bütün qruplarda nəzərəçarpacaq dərəcədə artmışdır. Mənbənin Dunn çoxsaylı müqayisə nəticələrində Patients-B ilə Athletes kimi bir-birindən daha uzaq qruplar arasında güclü fərq tapılsa da Athletes-Sedentary, Patients-A-Sedentary və Patients-A-Athletes kimi daha çətin müqayisələr statistik baxımdan əhəmiyyətli deyil.

Beləliklə tədqiqatın əsas mesajlarından biri “tək biomarkerdə qrup ortalamaları fərqlidirmi?” sualının bəzi incə metabolik fərqləri tutmaq üçün yetərsiz qala bilməsidir.

Maşın öyrənməsi təkdəyişənli analizdən fərqli olaraq nəyi tutdu?

Random Forest modeli hər VOC-ni ayrı-ayrılıqda qiymətləndirmək əvəzinə VOC-lərin birlikdə yaratdığı çoxölçülü və qeyri-xətti nümunədən istifadə etmişdir. Mənbədə verilən konseptual nümunəyə görə oturaq metabolik profil təkcə “VOC-A yüksəkdir” şəklində müəyyənləşdirilməli deyil; müxtəlif VOC-lərin aşağı, orta və ya yüksək səviyyələrinin birlikdə yaratdığı kombinasiya ayırdedici ola bilər. Tədqiqatın maşın öyrənməsi təbəqəsi məhz bu ümumi nümunəni tutmağı hədəfləyir.

Nəfəs VOC panelinin yaradılması

Tədqiqatçılar əvvəlcə klinik GC-MS məlumatlarından və ədəbiyyatdan təxminən 20 namizəd biomarker seçmişdir. Ətraf mühit təsirlərinə açıq olan toluol və benzol kimi birləşmələr və müxtəlif məlumat qruplarında qeyri-sabitlik göstərdiyi bildirilən bəzi xüsusiyyətlər çıxarılmışdır. Sonrakı analizlərdə ammonyak, aseton, izopren, DMS və limonen əsas birləşmələr arasında yer almışdır.

GC-MS panelində izopren, DMS və limonen analitik standartlarla təsdiqlənmişdir. Digər dörd xüsusiyyət isə kütlə spektri və retensiya davranışlarına əsasən müvəqqəti olaraq Feature 1–4 kimi saxlanılmışdır. Mənbə bu dörd siqnalı qəti kimyəvi identiklik kimi təqdim etmir; NIST uyğunluqlarına baxmayaraq onların “putative”, yəni müvəqqəti/tentativ metabolik xüsusiyyətlər olduğu xüsusi vurğulanmışdır.

Metabolik mexanizm: qlikoliz, asetil-CoA və mevalonat yolu

Tədqiqat fiziki fəaliyyətlə nəfəs izopreni arasındakı əlaqəni enerji metabolizması üzərindən müzakirə edir. Qlükoza qlikoliz zamanı piruvata çevrilir; piruvat daha sonra asetil-CoA istehsalına töhfə verir. Asetil-CoA bir tərəfdən mitoxondrial Krebs dövranı və oksidativ fosforlaşma ilə enerji istehsalında istifadə olunur, digər tərəfdən mevalonat yoluna daxil ola bilər.

Mevalonat yolunda asetil-CoA-dan HMG-CoA və mevalonat yaranır. Sonrakı fosforlaşma mərhələlərində ATP sərf olunur və izopentenil pirofosfat (IPP) kimi ara məhsullara çatılır. Yol daha sonra izopren istehsalı və ya skvalen və xolesterin sintezi istiqamətlərinə ayrıla bilər. Buna görə fiziki fəaliyyətin ATP tələbatını və qan dövranı dinamikasını dəyişməsi izopren konsentrasiyasına da təsir göstərə bilər.

Bu mexanizm tədqiqatda oturaq şəxslərlə aktiv idmançılar arasındakı metabolik fərqlərin qaraciyər xəstəliyi ilə əlaqəli VOC dəyişikliklərinin şərhini niyə çətinləşdirə biləcəyini izah etmək üçün istifadə olunur.

InN sensorunun fiziki iş prinsipi

Tədqiqatın aparat təbəqəsi indium nitrid (InN) əsaslı yarımkeçirici sensordur. Tədqiqatçılar InN səthindəki yüksək sıxlıqlı elektron yığılma təbəqəsindən səth potensialındakı kiçik dəyişikliklərə həssas keçirici kanal kimi istifadə edirlər. Mənbədə verilən enerji zolağı sxemi InN səthində zolaq əyilməsi ilə bu elektron yığılma təbəqəsi arasındakı əlaqəni göstərir.

Aşkarlama səthində platin tərkibli katalitik təbəqə istifadə edilmişdir. Mənbə həmçinin ammonyakı yüksək konsentrasiyalı aseton müdaxiləsindən ayırmaq məqsədilə silikon yağı təbəqəsini seçici keçiricilik təbəqəsi kimi araşdırır.

Ammonyak-aseton seçiciliyi

0,7 ppm ammonyak altında örtüksüz sensorun təxminən %25 səviyyəsində olan cavabı silikon yağı örtüyündən sonra təxminən %20-yə enmiş, lakin aydın cavab qorunmuşdur. Eyni konsentrasiyadakı asetonda isə örtüksüz təxminən %14 cavabın silikon yağı ilə %5-dən aşağı düşdüyü bildirilmişdir. Mənbə bu nəticəni silikon yağının ammonyak üçün daha yüksək, aseton üçün isə daha aşağı keçiricilik/diffuziya davranışı ilə əlaqələndirir.

Platin örtüklü InN sensorunun ammonyak cavabı

Mənbə Table 1-də 200 °C iş temperaturunda altı ammonyak konsentrasiyası üçün nisbi cərəyan dəyişməsini, mütləq cərəyan dəyişməsini, cavab müddətini və bərpa müddətini bildirir.

Konsentrasiya 0,2 ppm-dən 10 ppm-ə yüksəldikcə nisbi cərəyan dəyişməsi %7,5-dən %37-yə yüksəlir. Buna qarşılıq I10%→I90% formasında müəyyən edilən cavab müddəti 2730 saniyədən 1230 saniyəyə enir. Bərpa müddəti isə təxminən 3100–3400 saniyə aralığında qalır. Bu məlumatlar sensorun aşağı konsentrasiyalarda ölçülə bilən cavab verdiyini, lakin cavab və xüsusilə bərpa müddətlərinin qısa olmadığını da göstərir.

GC-MS və termal desorbsiya

Nəfəs nümunələri 5 L-lik kimyəvi cəhətdən inert Tedlar torbalarında toplanmış, adsorbent borularda konsentrasiya edilmiş və PerkinElmer GC-MS sistemi ilə TurboMatrix 300 avtomatik termal desorberdən istifadə edilərək analiz edilmişdir. Daşıyıcı qaz kimi %99,9995 təmizlikdə helium və Elite 624 polar kapilyar kolon bildirilmişdir.

Mənbənin metod bölməsində GC-MS şəraiti üçün iki fərqli parametr dəsti mövcuddur. Bir təsvirə görə başlanğıc temperatur 35 °C-də 5 dəqiqə saxlanmış, 7 °C/dəq sürətlə 90 °C-yə, daha sonra 30 °C/dəq sürətlə 220 °C-yə qaldırılmış; m/z diapazonu 20–300 kimi verilmişdir. Başqa bir alt bölmə isə 40 °C-də 2 dəqiqəlik tarazlaşdırmadan başlayaraq 200 °C-yə qədər uzanan proqramı və m/z 22–250 diapazonunu bildirir. Bu iki təsvir mənbə daxilində uzlaşdırılmadığı üçün burada da ayrıca qorunmuşdur.

Ammonyak GC-MS-nin aşağı kütlə diapazonundakı məhdudiyyətlərinə görə müstəqil Model T201 kemilüminesans ammonyak analizatoru ilə ölçülmüşdür. Mənbə GC-MS LOD və LOQ hədlərini müvafiq olaraq siqnal/səs-küy nisbətinin 3 və 10-dan yuxarı olması kimi müəyyən edir.

Tədqiqatın Metodu və Nəticələri

İştirakçılar və qrup quruluşu

Mənbənin nəticələr bölməsində ümumilikdə 67 iştirakçı bildirilir. Qaraciyər xəstələri 30 nəfərdir; sağlam/aktiv qrup 33 nəfər kimi göstərilir və əlavə olaraq oturaq nəzarət qrupu n=4 kimi verilir. Xəstə qrupu Child-Pugh təsnifatına görə daha erkən/kompensə olunmuş Class A və daha irəliləmiş/dekompensə olunmuş Class B/C qruplarına bölünmüşdür.

Oturaq iştirakçılar həyat tərzi sorğuları əsasında gündə səkkiz saatdan çox oturma və orta-yüksək intensivlikli müntəzəm fiziki məşqin olmaması kimi meyarlarla seçilmişdir. Bu qrupun yalnız dörd nəfərdən ibarət olması sonrakı maşın öyrənməsi analizlərinin şərhindəki ən mühüm məhdudiyyətlərdən biridir.

Mənbədaxili say uyğunsuzluğu: metod bölməsinin bir yerində “63 iştirakçı” ifadəsi istifadə olunsa da eyni yerdə 30 xəstə, 33 idmançı və 4 oturaq şəxs sadalanır; bunların cəmi 67-dir. Nəticələr bölməsi və maşın öyrənməsi iş axını da n=67 istifadə edir. Buna görə 63 və 67 rəqəmləri mənbə daxilində bir-biri ilə tam uyğun deyil.

Maşın öyrənməsi iş axını

Xam məlumat əvvəlcə cihaz fon dalğalanmalarını azaltmaq məqsədilə təmizlənmiş və hədəf qaz konsentrasiyalarına görə normallaşdırılmışdır. Mənbənin Figure 6 izahında 67 nümunə 53 təlim və 14 test nümunəsinə bölünmüşdür.

Sinif balanssızlığı xüsusilə oturaq qrup üçün çox böyükdür. Tədqiqatçılar standart SMOTE əvəzinə DBSCAN ilə sıxlıq bölgələrini və potensial kənar dəyərləri ayırmağı, sonra etibarlı nüvə nöqtələrinin ətrafında kNN əsaslı sintetik nümunələr yaratmağı seçmişdir. Burada məqsəd n=4-lük azlıq qrupunun təsadüfi interpolasiyalarla həddən artıq təhrif edilməsini azaltmaqdır.

Bu sintetik nümunələr həqiqi yeni iştirakçılar deyil. Onlar modelin təlim paylanmasını tarazlaşdırmaq üçün riyazi şəkildə yaradılmış nümunələrdir. Buna görə model performansı şərh edilərkən real bioloji nümunə ölçüsü ilə artırılmış təlim nümunəsi bir-birindən ayrılmalıdır.

Random Forest dörd sinifli performansı

Bu cədvəldə ən mühüm təfərrüatlardan biri oturaq sinif üçün precision dəyəri 0,92 olsa da recall dəyərinin yalnız 0,54 olmasıdır. Başqa sözlə, modelin “oturaq” kimi işarələdiyi nümunələrin böyük hissəsi doğru olsa da real oturaq nümunələrin mühüm bir hissəsini tuta bilməmişdir. Precision və recall eyni anlayış deyil; yüksək precision təkbaşına yüksək həssaslıq demək deyil.

Test dəstindəki qarışıqlıq matrisi

Test dəstində iki real oturaq nümunədən biri düzgün təsnif edilmiş, digəri idmançı kimi təsnif edilmişdir. Mənbə bu nümunəni əsas ayırma çətinliyinin “sağlam-oturaq” və “sağlam-aktiv” fenotiplər arasında olması barədə bioloji baxımdan məntiqli nəticə kimi şərh edir.

t-SNE vizuallaşdırması nə göstərir?

t-SNE yüksəkölçülü VOC xüsusiyyətlərini ikiölçülü vizual fəzaya endirmək üçün istifadə edilmişdir. Figure 13-də idmançı, Class A, Class B və oturaq nümunələrin müxtəlif fəza bölgələrində qruplaşdığı görünür. Oturaq nümunələr idmançı və xəstə qruplarından ayrı mövqedə göstərilir.

Lakin burada t-SNE-nin vizuallaşdırma aləti olduğu unudulmamalıdır. İkiölçülü klaster görünüşü özlüyündə müstəqil klinik doğrulama və ya səbəbiyyət sübutu deyil; təsnifat performansı test dəsti və digər göstəricilərlə birlikdə qiymətləndirilməlidir.

Sintetik nümunələrin FID müqayisəsi

Mənbə daha aşağı FID dəyərini DBSCAN+kNN ilə yaradılan məlumat paylanmasının ilkin məlumat paylanmasına daha yaxın olduğunun göstəricisi kimi şərh edir. Bununla belə FID oxşarlığı sintetik nümunələrin yeni real insan ölçmələri olduğu demək deyil və n=4-lük ilkin qrupun xarici doğrulama ehtiyacını aradan qaldırmır.

Limonen, DMS və sabit VOC paneli

Üç vəziyyətli nümunə götürmə və RFE-dən sonra limonen və DMS idmançı və oturaq sağlam qruplar arasında əhəmiyyətli fərq göstərməyən, lakin xəstəliyin ağırlığı ilə daha aydın ayrılma nümayiş etdirən xüsusiyyətlər kimi müzakirə edilir. Figure 12-də göstərilən fizioloji baxımdan daha sabit dörd xüsusiyyət də ayrı-ayrılıqda yoxlanıldıqda idmançı və oturaq qrupları əhəmiyyətli şəkildə ayırmır.

Bu məqam tədqiqatın maşın öyrənməsi əsaslandırmasının mərkəzindədir: ayrı-ayrı xüsusiyyətlər kifayət qədər ayırma yaratmadığı halda, onların birlikdə əmələ gətirdiyi qeyri-xətti nümunə təsnifləndirici tərəfindən istifadə oluna bilər.

Ammonyak sensoru ilə maşın öyrənməsi modeli eyni məlumat mənbəyi deyil

Tədqiqatda xüsusilə qorunmalı olan bir fərq var. InN sensoru ammonyak kimi müəyyən əsas qazların fiziki aşkarlanmasını doğrulamaq üçün istifadə olunur. Buna qarşılıq mövcud AI təsnifat modeli geniş GC-MS analizindən əldə edilən çoxsaylı VOC paneli ilə öyrədilmişdir. Buna görə tədqiqat “InN sensoru təkbaşına dörd qrupu təsnif etdi” kimi şərh edilməməlidir.

Mənbə həmçinin ammonyakın qaraciyər xəstəliyi baxımından mühüm göstərici olmasına baxmayaraq oturaq və aktiv sağlam qrupları yüksək ayırdetmə ilə fərqləndirmək üçün kifayət etmədiyini və buna görə müvafiq yüksək ayırdetməli təsnifatda daha ayırdedici çoxsaylı xüsusiyyət panelinə üstünlük verildiyini bildirir.

Mənbə daxilində aşkarlama həddi ifadələri

Aşkarlama həddi ilə bağlı mənbə daxilində də fərqli ifadələr var. Xülasə və nəticə bölməsi ammonyak LOD dəyərini 0,2 ppm-dən aşağı kimi bildirdiyi halda, metod bölməsinin başqa hissəsində Pt-AlN modifikasiyası üçün 0,7 ppm-dən aşağı ifadəsi işlədilir; nəticələrin sensor xarakterizasiyası bölməsində isə təxminən 10 nm Pt təbəqəsi ilə <1 ppm deyilir. Table 1-də ölçülmüş ən aşağı açıq konsentrasiya 0,2 ppm-dir. Buna görə burada bu ifadələr vahid qəti LOD rəqəminə çevrilməmişdir.

Tədqiqatın dəstəklədiyi nəticələr

Mənbə Pt/InN əsaslı sensorun sub-ppm səviyyəsində ammonyaka ölçülə bilən cavab verdiyini; silikon yağı təbəqəsinin asetona verilən cavabı nəzərəçarpacaq dərəcədə azaldarkən ammonyak cavabının mühüm hissəsini qoruduğunu; fiziki fəaliyyətdən təsirlənən izoprenin təkbaşına incə qrupları ayırmaqda kifayət etmədiyini; bir neçə VOC-nin ümumi nümunəsindən istifadə edən Random Forest modelinin dörd sinifli təsnifatda makro-orta AUC 0,96 və ümumi accuracy 0,86 verdiyini göstərir.

Tədqiqat həmçinin n=4 olan oturaq sinif üçün precision 0,92 və recall 0,54 bildirir və bu sinfin çoxdəyişənli metabolik nümunəsinin təkdəyişənli analizlərdə görünməyən məlumat daşıya biləcəyini irəli sürür.

Tədqiqatın dəstəkləmədiyi nəticələr

Bu araşdırma yalnız nəfəs verməklə xroniki qaraciyər xəstəliyinin bu gün klinikada etibarlı şəkildə diaqnoz edilə bildiyini sübut etmir. Tədqiqat tamamlanmış portativ çoxqazlı məhsulun klinik doğrulaması deyil. Mövcud InN aparatı bütün VOC panelini eyni vaxtda ölçmür; tədqiqatçılar çoxmateriallı sensor massivinin hazırlanmasını gələcək iş kimi müəyyən edirlər.

Tədqiqat həmçinin dörd nəfərlik oturaq qrupun bütün oturaq əhalini təmsil etdiyini göstərmir. Sintetik məlumat artırma müstəqil və daha böyük klinik kohortun təmin edəcəyi bioloji müxtəlifliyi əvəz etmir. Hesabatdakı AUC və digər performans dəyərləri bu tədqiqatın məlumat dəsti və analiz quruluşu kontekstində qiymətləndirilməlidir.

Mənbənin öz daxilində diqqət tələb edən məqamlar

İştirakçıların ümumi sayı müxtəlif yerlərdə 63 və 67 kimi göstərilir. GC-MS temperatur proqramı və m/z skan diapazonu üçün iki ayrı parametr dəsti verilir. Ammonyak LOD-si də müxtəlif bölmələrdə <0,2 ppm, <0,7 ppm və <1 ppm kimi ifadə olunur. AUC isə müxtəlif kontekstlərdə 0,95 və makro-orta 0,96 kimi bildirilmişdir. Bu fərqlərin bəziləri müxtəlif analiz və ya performans təriflərini təmsil edə bilər; lakin mənbə onların hamısını vahid uyğun parametr dəstində açıq şəkildə uzlaşdırmır. Buna görə Verianla mətni bu fərqləri gizlətmir.

Gələcək tədqiqat istiqaməti

Tədqiqatçılar xüsusilə oturaq kohortun genişləndirilməsini, statistik gücün və ümumiləşdiriləbilənliyin artırılmasını və GC-MS ilə müəyyən edilmiş sabit VOC panelinin çoxmateriallı sensor massivinə köçürülməsini gələcək hədəf kimi göstərirlər. Son məqsəd bir neçə VOC-ni eyni cihazda aşkarlaya bilən kiçildilmiş və portativ nəfəs monitorinq platformasına doğru irəliləməkdir.

Mənbə və Metod Qeydi

Orijinal başlıq: AI Framework Integrated with InN Gas Sensing to Distinguish Sedentary Metabolic Fingerprints from Chronic Liver Disease

Mənbə PDF-də göstərilən müəlliflər: Tsung Ming Chao; Rakesh Kumar Patnaik; Yu Chen Lin; Ming-Chih Ho; Zhe Liang Yeh.

Qurumlar: Institute of NanoEngineering and MicroSystems, National Tsing Hua University, Hsinchu, Taiwan; Department of Surgery, National Taiwan University Hospital, Taipei, Taiwan.

Jurnal: AI Sensors.

Nəşriyyat: MDPI.

Cild/nömrə/məqalə: 2026, 2(2), 6.

DOI: 10.3390/aisens2020006.

Göndərilmə: 31 dekabr 2025. Reviziya: 23 aprel 2026. Qəbul: 11 may 2026. Nəşr: 21 may 2026.

Mənbə növü: Resenziyalı tədqiqat məqaləsi / Feature Paper.

Lisenziya: Açıq giriş; Creative Commons Attribution (CC BY).

Etika: Tədqiqat National Taiwan University Hospital Institutional Review Board tərəfindən təsdiqlənmişdir. Mənbə iki protokol kodu verir: 201810051RINC və 201912138RINB. İştirakçılardan məlumatlandırılmış razılıq alındığı bildirilir.

Məlumatların əlçatanlığı: Məlumatların məsul müəllifdən sorğu əsasında əldə edilə biləcəyi, məxfilik və etik məhdudiyyətlər səbəbindən açıq şəkildə əlçatan olmadığı bildirilir.

Maliyyələşdirmə: Taiwan National Science and Technology Council, NSTC-113-2221-E-007-061-MY3.

Maraqlar toqquşması: Müəlliflər maraqlar toqquşmasının olmadığını bildirirlər.

Müəllif töhfələri: Konseptuallaşdırma R.K.P. və Y.C.L.; metod və proqram təminatı R.K.P.; doğrulama, araşdırma, məlumatların kurasiyası və ilkin layihə T.M.C.; resurslar M.-C.H.; nəzarət, layihə idarəetməsi və maliyyələşdirmənin əldə edilməsi Z.L.Y. kimi bildirilmişdir.

Süni intellektdən istifadə bəyanatı: Mənbə Tsung Ming Chao-nun məqalənin dilini və oxunaqlığını yaxşılaşdırmaq məqsədilə Gemini 3-dən istifadə etdiyini; daha sonra məzmunu nəzərdən keçirib redaktə etdiyini və nəşr məzmununa görə məsuliyyəti öz üzərinə götürdüyünü bildirir.

Biblioqrafik xəbərdarlıq: Yüklənmiş PDF son müəllifi “Zhe Liang Yeh” kimi göstərdiyi halda MDPI-nin cari nömrə indeksi eyni DOI altında “J. Andrew Yeh” adını göstərir. Bu fərq mənbələr arasında həll olunmamış biblioqrafik uyğunsuzluq kimi qorunmalıdır.

Əsas metodoloji məhdudiyyət: Oturaq qrupun real ilkin ölçüsü n=4-dür. Model sinif balanssızlığını DBSCAN/kNN əsaslı sintetik nümunə istehsalı ilə azaldır. Bu əməliyyat yeni bioloji iştirakçılar yaratmır və müstəqil geniş kohort doğrulamasını əvəz etmir.

Əlavə mənbədaxili uyğunluq xəbərdarlığı: PDF-də ümumi nümunə sayı, GC-MS iş proqramı, m/z diapazonu və ammonyak sensoru LOD-sinin ifadəsində müxtəlif bölmələr arasında uyğunsuzluqlar mövcuddur. Verianla mətnində bu dəyərlərdən biri özbaşına “doğru” qəbul edilməmişdir.