Bu çalışma, kronik karaciğer hastalığının (CLD) nefeste bulunan uçucu organik bileşiklerden non-invaziv olarak ayırt edilmesini hedefleyen ve gaz kromatografisi-kütle spektrometrisi (GC-MS), indiyum nitrür (InN) tabanlı yarı iletken gaz algılama, üç durumlu fizyolojik örnekleme ve makine öğrenmesini birleştiren bütünleşik bir tanısal çerçeveyi araştırmaktadır. Çerçeve, tek bir biyobelirtecin konsantrasyonuna dayanmak yerine birden fazla VOC'nin oluşturduğu çok boyutlu metabolik örüntüyü kullanmayı amaçlayan bir analitik sistemdir. Araştırmacılar 2000'den fazla olası nefes VOC'sinden yaklaşık 20 aday belirlemiş, daha sonra GC-MS ve özellik seçimiyle daha sınırlı bir panel oluşturmuştur. InN tabanlı sensör özellikle amonyak algılaması için karakterize edilirken, makine öğrenmesi sınıflandırması esas olarak GC-MS'den elde edilen çoklu VOC özellikleri üzerinde gerçekleştirilmiştir.

Çalışmanın temel güçlüğü, kronik karaciğer hastalığı ile hareketsiz yaşam tarzının oluşturabileceği metabolik örüntülerin kısmen örtüşebilmesidir. Araştırmacılar bu problemi çözmek için dinlenme, egzersiz ve toparlanma evrelerinden oluşan üç durumlu örnekleme protokolü uygulamış; kısa süreli fiziksel aktiviteden güçlü biçimde etkilenen biyobelirteçlerle daha kararlı biyobelirteçleri ayırmaya çalışmıştır. Random Forest sınıflandırıcısı ve DBSCAN/kNN tabanlı veri artırma yaklaşımıyla oluşturulan dört sınıflı model için genel doğruluk 0,86 ve makro-ortalama AUC 0,96 olarak raporlanmıştır. Hareketsiz sınıf için precision 0,92, recall ise 0,54'tür.

Bununla birlikte sonuçlar geniş popülasyon için kesin klinik performans kanıtı olarak yorumlanmamalıdır. Hareketsiz grubun gerçek başlangıç örneklemi yalnızca dört kişiden oluşmaktadır ve sınıf dengesizliği sentetik örnek üretimiyle azaltılmıştır. Ayrıca kaynak metinde toplam katılımcı sayısı, bazı GC-MS çalışma koşulları ve sensörün algılama sınırının ifade edilişi arasında iç tutarsızlıklar bulunmaktadır. Bu nedenle çalışma, taşınabilir bir klinik tanı cihazının tamamlanmış doğrulamasından çok, nefes metabolomiği, fiziksel sensör ve çok değişkenli makine öğrenmesini bir araya getiren deneysel bir teknik çerçeve olarak değerlendirilmelidir.

Neden tek bir nefes biyobelirteci yeterli olmayabilir?

İnsan nefesi 2000'den fazla uçucu organik bileşik içerebilir. Bu moleküllerin bir bölümü hücresel enerji metabolizması, aminoasit metabolizması, lipid metabolizması ve karaciğer tarafından gerçekleştirilen biyokimyasal dönüşümlerin son ürünleri veya yan ürünleri olarak ortaya çıkar. Bu nedenle karaciğer fonksiyonundaki değişiklikler teorik olarak nefeste ölçülebilen kimyasal bir “metabolik parmak izi” oluşturabilir.

Ancak aynı VOC yalnızca tek bir hastalığa özgü değildir. Amonyak karaciğerin üre döngüsündeki bozukluklarla ilişkili olabilirken böbrek fonksiyonu, ağız ve gastrointestinal mikrobiyota da nefes amonyağını etkileyebilir. Dimetil sülfür (DMS) hepatik metabolizma ile ilişkili olmakla birlikte ağız hijyeni, mikrobiyal aktivite ve beslenmeden etkilenebilir. Limonen ise karaciğer klirensiyle bağlantılı değerlendirilse de yakın zamanda turunçgil tüketimi veya çevresel maruziyet konsantrasyonu değiştirebilir.

İzopren özellikle önemli bir örnektir. Çalışmada izoprenin fiziksel aktiviteyle güçlü biçimde değiştiği gösterilmiştir. Bu nedenle bir VOC'nin hastalıkla ilişkili olması, onun tek başına güvenilir ve fizyolojik durumdan bağımsız bir tanısal işaretleyici olduğu anlamına gelmez.

Üç durumlu örnekleme neden kullanıldı?

Üç durumlu protokolün amacı, dinlenme, egzersiz ve toparlanma boyunca değişen geçici metabolik sinyalleri kronik ve daha kararlı metabolik özelliklerden ayırmaktır. Çalışmada katılımcılar önce yaklaşık 60–80 BPM kalp hızında dinlenmiş, ardından yaklaşık iki dakikalık merdiven çıkma egzersiziyle 100–120 BPM aralığına ulaşmış ve son olarak yaklaşık 15 dakikalık toparlanma sonrasında kalp hızı yeniden 60–80 BPM düzeyine geldiğinde örnekleme yapılmıştır.

Araştırmanın mantığı, yalnızca egzersizden hemen sonra yükselen bir VOC'nin hastalık ayrımı için güvenilir olmayabileceğidir. Recursive Feature Elimination (RFE) yaklaşımı bu nedenle üç fizyolojik durumda da ayırt edici gücünü koruyan özelliklerin belirlenmesinde kullanılmıştır.

İzopren neden tek başına yetersiz kaldı?

İzopren konsantrasyonları dinlenmeden egzersiz sonrası duruma geçildiğinde bütün gruplarda belirgin biçimde artmıştır. Kaynağın Dunn çoklu karşılaştırma sonuçlarında Patients-B ile Athletes gibi birbirinden daha uzak gruplar arasında güçlü fark bulunmasına karşın Athletes-Sedentary, Patients-A-Sedentary ve Patients-A-Athletes gibi daha zor karşılaştırmalar istatistiksel olarak anlamlı değildir.

Dolayısıyla çalışmanın ana mesajlarından biri, “tek biyobelirteçte grup ortalamaları farklı mı?” sorusunun bazı ince metabolik ayrımları yakalamakta yetersiz kalabileceğidir.

Makine öğrenmesi tek değişkenli analizden farklı olarak neyi yakaladı?

Random Forest modeli her VOC'yi tek başına değerlendirmek yerine VOC'lerin birlikte oluşturduğu çok boyutlu ve doğrusal olmayan örüntüyü kullanmıştır. Kaynağın verdiği kavramsal örneğe göre hareketsiz bir metabolik profil, tek başına “VOC-A yüksektir” biçiminde tanımlanmak zorunda değildir; farklı VOC'lerin düşük, orta veya yüksek düzeylerinin birlikte oluşturduğu kombinasyon ayırt edici olabilir. Çalışmanın makine öğrenmesi katmanı tam olarak bu ortak örüntüyü yakalamayı amaçlamaktadır.

Nefes VOC panelinin oluşturulması

Araştırmacılar önce klinik GC-MS verileri ve literatürden yaklaşık 20 aday biyobelirteç seçmiştir. Çevresel etkilenmeye açık toluen ve benzen gibi bileşikler ile farklı veri gruplarında istikrarsızlık gösterdiği belirtilen bazı özellikler elenmiştir. Sonraki analizlerde amonyak, aseton, izopren, DMS ve limonen merkezi bileşikler arasında yer almıştır.

GC-MS panelinde izopren, DMS ve limonen analitik standartlarla doğrulanmıştır. Diğer dört özellik ise kütle spektrumu ve retansiyon davranışlarına göre geçici olarak Feature 1–4 biçiminde tutulmuştur. Kaynak bu dört sinyali kesin kimyasal kimlikler olarak sunmamaktadır; NIST eşleşmelerine rağmen bunların “putative”, yani geçici/tentatif metabolik özellikler olduğu özellikle belirtilmiştir.

Metabolik mekanizma: glikoliz, asetil-CoA ve mevalonat yolu

Çalışma, fiziksel aktivite ile nefes izopreni arasındaki ilişkiyi enerji metabolizması üzerinden tartışmaktadır. Glikoz glikoliz sırasında pirüvata dönüştürülür; pirüvat daha sonra asetil-CoA üretimine katkıda bulunur. Asetil-CoA bir yandan mitokondriyal Krebs döngüsü ve oksidatif fosforilasyonla enerji üretiminde kullanılırken diğer yandan mevalonat yoluna girebilir.

Mevalonat yolunda asetil-CoA'dan HMG-CoA ve mevalonat oluşur. Devam eden fosforilasyon basamaklarında ATP tüketilir ve izopentenil pirofosfat (IPP) gibi ara ürünlere ulaşılır. Yol daha sonra izopren üretimi veya skualen ve kolesterol sentezi yönlerine ayrılabilir. Bu nedenle fiziksel aktivitenin ATP talebini ve dolaşım dinamiklerini değiştirmesi izopren konsantrasyonunu da etkileyebilir.

Bu mekanizma çalışmada, hareketsiz bireylerle aktif sporcular arasındaki metabolik farkların karaciğer hastalığıyla ilişkili VOC değişikliklerinin yorumunu neden zorlaştırabileceğini açıklamak için kullanılmaktadır.

InN sensörünün fiziksel çalışma temeli

Çalışmanın donanım katmanı indiyum nitrür (InN) tabanlı bir yarı iletken sensördür. Araştırmacılar InN yüzeyindeki yüksek yoğunluklu elektron birikim tabakasını, yüzey potansiyelindeki küçük değişimlere duyarlı bir iletim kanalı olarak kullanmaktadır. Kaynakta verilen enerji bant şeması, InN yüzeyindeki bant bükülmesi ile bu elektron birikim tabakası arasındaki ilişkiyi göstermektedir.

Algılama yüzeyinde platin içeren katalitik bir katman kullanılmıştır. Kaynak ayrıca amonyağı yüksek konsantrasyonlu aseton girişiminden ayırmak amacıyla silikon yağı tabakasını seçici geçirgenlik katmanı olarak incelemektedir.

Amonyak-aseton seçiciliği

0,7 ppm amonyak altında kaplamasız sensörün yaklaşık %25 düzeyindeki yanıtı silikon yağı kaplaması sonrasında yaklaşık %20'ye gerilemiş, ancak belirgin yanıt korunmuştur. Aynı konsantrasyondaki asetonda ise yaklaşık %14'lük kaplamasız yanıtın silikon yağıyla %5'in altına düştüğü bildirilmiştir. Kaynak bu sonucu, silikon yağının amonyak için daha yüksek, aseton için daha düşük geçirgenlik/difüzyon davranışıyla ilişkilendirir.

Platin kaplı InN sensörünün amonyak yanıtı

Kaynak Table 1'de 200 °C çalışma sıcaklığında altı amonyak konsantrasyonu için bağıl akım değişimi, mutlak akım değişimi, yanıt süresi ve toparlanma süresi raporlamaktadır.

Konsantrasyon 0,2 ppm'den 10 ppm'e yükseldikçe bağıl akım değişimi %7,5'ten %37'ye çıkmaktadır. Buna karşılık I10%→I90% biçiminde tanımlanan yanıt süresi 2730 saniyeden 1230 saniyeye düşmektedir. Toparlanma süresi ise yaklaşık 3100–3400 saniye aralığında kalmıştır. Bu veriler sensörün düşük konsantrasyonlarda ölçülebilir yanıt verdiğini, fakat yanıt ve özellikle toparlanma sürelerinin kısa olmadığını da göstermektedir.

GC-MS ve termal desorpsiyon

Nefes örnekleri 5 L'lik kimyasal olarak inert Tedlar torbalarda toplanmış, adsorban tüplerde yoğunlaştırılmış ve PerkinElmer GC-MS sistemi ile TurboMatrix 300 otomatik termal desorber kullanılarak analiz edilmiştir. Taşıyıcı gaz olarak %99,9995 saflıkta helyum ve Elite 624 polar kapiler kolon bildirilmiştir.

Kaynak yöntem bölümünde GC-MS koşulları için iki farklı parametre seti bulunmaktadır. Bir açıklamada başlangıç sıcaklığı 35 °C'de 5 dakika tutulmuş, 7 °C/dak hızla 90 °C'ye ve ardından 30 °C/dak hızla 220 °C'ye çıkarılmış; m/z aralığı 20–300 olarak verilmiştir. Başka bir alt bölüm ise 40 °C'de 2 dakikalık dengelemeden başlayıp 200 °C'ye uzanan program ve m/z 22–250 aralığı raporlamaktadır. Bu iki tanım kaynak içinde uyumlu hale getirilmediği için burada da ayrı ayrı korunmaktadır.

Amonyak, GC-MS'nin alt kütle aralığındaki sınırlamalar nedeniyle bağımsız bir Model T201 kemilüminesans amonyak analizörüyle ölçülmüştür. Kaynak, GC-MS LOD ve LOQ eşiklarını sırasıyla sinyal/gürültü oranı 3 ve 10'un üzerinde olacak şekilde tanımlamaktadır.

Çalışmanın Yöntemi ve Bulguları

Katılımcılar ve grup yapısı

Kaynağın sonuç bölümünde toplam 67 katılımcı raporlanmaktadır. Karaciğer hastaları 30 kişidir; sağlıklı/aktif grup 33 kişi olarak gösterilir ve ayrıca hareketsiz kontrol grubu n=4 olarak verilir. Hasta grubu Child-Pugh sınıflamasına göre daha erken/kompanse Class A ve daha ileri/dekompanse Class B/C gruplarına ayrılmıştır.

Hareketsiz katılımcılar yaşam tarzı anketleri temelinde, günde sekiz saatten fazla oturma ve orta-yüksek yoğunluklu düzenli fiziksel egzersiz eksikliği gibi ölçütlerle seçilmiştir. Bu grubun yalnız dört kişiden oluşması, sonraki makine öğrenmesi analizlerinin yorumlanmasındaki en önemli sınırlamalardan biridir.

Kaynak içi sayı uyuşmazlığı: yöntem bölümünün bir yerinde “63 katılımcı” ifadesi kullanılmasına rağmen aynı yerde 30 hasta, 33 sporcu ve 4 hareketsiz birey sayılır; bunların toplamı 67'dir. Sonuç bölümü ve makine öğrenmesi iş akışı da n=67 kullanmaktadır. Bu nedenle 63 ve 67 sayıları kaynak içinde birbiriyle tam uyumlu değildir.

Makine öğrenmesi iş akışı

Ham veri önce enstrümantal arka plan dalgalanmalarını azaltmak amacıyla temizlenmiş ve hedef gaz konsantrasyonlarına göre normalize edilmiştir. Kaynağın Figure 6 açıklamasında 67 örnek 53 eğitim ve 14 test örneğine ayrılmıştır.

Sınıf dengesizliği özellikle hareketsiz grup için çok büyüktür. Araştırmacılar standart SMOTE yerine DBSCAN ile yoğunluk bölgelerini ve potansiyel aykırı değerleri ayırmayı, ardından güvenilir çekirdek noktaların çevresinde kNN temelli sentetik örnekler üretmeyi seçmiştir. Buradaki amaç, n=4'lük azınlık grubunun rastgele interpolasyonlarla aşırı biçimde bozulmasını azaltmaktır.

Bu sentetik örnekler gerçek yeni katılımcılar değildir. Modelin eğitim dağılımını dengelemek için matematiksel olarak üretilen örneklerdir. Dolayısıyla model performansı yorumlanırken gerçek biyolojik örneklem büyüklüğüyle artırılmış eğitim örneklemi birbirinden ayrılmalıdır.

Random Forest dört sınıflı performansı

Bu tablodaki en önemli ayrıntılardan biri, hareketsiz sınıf için precision değerinin 0,92 olmasına rağmen recall değerinin yalnızca 0,54 olmasıdır. Başka bir ifadeyle modelin “hareketsiz” olarak işaretlediği örneklerin büyük bölümü doğru olsa da gerçek hareketsiz örneklerin önemli bir bölümünü yakalayamamıştır. Precision ve recall aynı kavram değildir; yüksek precision tek başına yüksek duyarlılık anlamına gelmez.

Test kümesindeki karışıklık matrisi

Test kümesinde iki gerçek hareketsiz örnekten biri doğru sınıflandırılmış, diğeri sporcu olarak sınıflandırılmıştır. Kaynak bu örüntüyü, temel ayrım güçlüğünün “sağlıklı-hareketsiz” ile “sağlıklı-aktif” fenotipler arasında bulunduğuna ilişkin biyolojik olarak makul bir sonuç şeklinde yorumlamaktadır.

t-SNE görselleştirmesi ne gösteriyor?

t-SNE, yüksek boyutlu VOC özelliklerini iki boyutlu bir görsel uzaya indirgemek için kullanılmıştır. Figure 13'te sporcu, Class A, Class B ve hareketsiz örneklerin farklı uzamsal bölgelerde kümelendiği görülmektedir. Hareketsiz örnekler sporcu ve hasta kümelerinden ayrı bir konumda gösterilmektedir.

Ancak t-SNE'nin burada görselleştirme aracı olduğu unutulmamalıdır. İki boyutlu küme görünümü kendi başına bağımsız klinik doğrulama veya nedensellik kanıtı değildir; sınıflandırma performansı test seti ve diğer ölçütlerle birlikte değerlendirilmelidir.

Sentetik örneklerin FID karşılaştırması

Kaynak, daha düşük FID değerini DBSCAN+kNN ile oluşturulan veri dağılımının özgün veri dağılımına daha yakın olduğunun göstergesi olarak yorumlamaktadır. Bununla birlikte FID benzerliği, sentetik örneklerin yeni gerçek insan ölçümleri olduğu anlamına gelmez ve n=4'lük başlangıç grubunun dış doğrulama gereksinimini ortadan kaldırmaz.

Limonen, DMS ve kararlı VOC paneli

Üç durumlu örnekleme ve RFE sonrasında limonen ve DMS, sporcu ve hareketsiz sağlıklı gruplar arasında anlamlı fark göstermeyen fakat hastalık şiddetiyle daha belirgin ayrışma sergileyen özellikler olarak tartışılmaktadır. Figure 12'de gösterilen dört fizyolojik olarak daha kararlı özellik de tek tek incelendiğinde sporcu ve hareketsiz grupları anlamlı biçimde ayırmamaktadır.

Bu nokta çalışmanın makine öğrenmesi gerekçesinin merkezidir: tek tek özellikler yeterli ayrımı sağlamazken, onların birlikte oluşturduğu doğrusal olmayan örüntü sınıflandırıcı tarafından kullanılabilmektedir.

Amonyak sensörü ile makine öğrenmesi modeli aynı veri kaynağı değildir

Çalışmada özellikle korunması gereken bir ayrım vardır. InN sensörü amonyak gibi belirli çekirdek gazların fiziksel algılanmasını doğrulamak için kullanılmaktadır. Buna karşılık mevcut AI sınıflandırma modeli kapsamlı GC-MS analizinden elde edilen çoklu VOC paneliyle eğitilmiştir. Çalışma bu nedenle “InN sensörü tek başına dört grubu sınıflandırdı” şeklinde yorumlanmamalıdır.

Kaynak ayrıca amonyağın karaciğer hastalığı açısından önemli bir gösterge olmasına karşın hareketsiz ve aktif sağlıklı grupları yüksek çözünürlükte ayırmak için yeterli olmadığını ve bu nedenle ilgili yüksek çözünürlüklü sınıflandırmada daha ayırt edici çoklu özellik paneline ağırlık verildiğini bildirir.

Kaynak içindeki algılama sınırı ifadeleri

Algılama sınırı konusunda da kaynak içinde farklı ifadeler bulunmaktadır. Özet ve sonuç bölümü amonyak LOD değerini 0,2 ppm'nin altında olarak bildirirken, yöntem bölümünün başka bir kısmında Pt-AlN modifikasyonu için 0,7 ppm'nin altında ifadesi kullanılır; sonuçların sensör karakterizasyonu bölümünde ise yaklaşık 10 nm Pt katmanıyla <1 ppm denmektedir. Table 1'de ölçülen en düşük açık konsantrasyon 0,2 ppm'dir. Bu nedenle burada bu ifadeler tek bir kesin LOD sayısına dönüştürülmemiştir.

Çalışmanın desteklediği sonuçlar

Kaynak, Pt/InN tabanlı sensörün sub-ppm düzeyinde amonyağa ölçülebilir yanıt verdiğini; silikon yağı tabakasının asetona verilen yanıtı belirgin biçimde azaltırken amonyak yanıtının önemli bölümünü koruduğunu; fiziksel aktiviteden etkilenen izoprenin tek başına ince grupları ayırmakta yetersiz kaldığını; birden fazla VOC'nin ortak örüntüsünü kullanan Random Forest modelinin dört sınıflı sınıflandırmada makro-ortalama AUC 0,96 ve genel accuracy 0,86 verdiğini göstermektedir.

Çalışma ayrıca n=4 olan hareketsiz sınıf için precision 0,92 ve recall 0,54 raporlamakta ve bu sınıfın çok değişkenli metabolik örüntüsünün tek değişkenli analizlerle görülmeyen bilgiler taşıyabileceğini öne sürmektedir.

Çalışmanın desteklemediği sonuçlar

Bu araştırma, yalnız nefese üflenerek kronik karaciğer hastalığının bugün klinikte güvenilir biçimde teşhis edilebildiğini kanıtlamamaktadır. Çalışma tamamlanmış bir taşınabilir çoklu gaz ürününün klinik doğrulaması değildir. Mevcut InN donanımı tüm VOC panelini eş zamanlı ölçmemektedir; araştırmacılar çok malzemeli sensör dizisinin geliştirilmesini gelecekteki çalışma olarak tanımlamaktadır.

Çalışma ayrıca dört kişilik hareketsiz grubun tüm hareketsiz nüfusu temsil ettiğini göstermez. Sentetik veri artırma, bağımsız ve daha büyük bir klinik kohortun sağlayacağı biyolojik çeşitliliğin yerine geçmez. Raporda verilen AUC ve diğer performans değerleri bu çalışmanın veri seti ve analiz düzeni bağlamında değerlendirilmelidir.

Kaynağın kendi içinde dikkat gerektiren noktalar

Katılımcı toplamı 63 ve 67 olarak farklı yerlerde geçmektedir. GC-MS sıcaklık programı ve m/z tarama aralığı için iki ayrı parametre seti verilmektedir. Amonyak LOD'si de farklı bölümlerde <0,2 ppm, <0,7 ppm ve <1 ppm şeklinde ifade edilmektedir. AUC ise farklı bağlamlarda 0,95 ve makro-ortalama 0,96 olarak raporlanmıştır. Bu farklılıkların bazıları farklı analiz veya performans tanımlarını temsil edebilir; ancak kaynak bunların tümünü tek bir tutarlı parametre setinde açıkça uzlaştırmamaktadır. Bu nedenle Verianla metni bu ayrımları gizlememektedir.

Gelecek çalışma yönü

Araştırmacılar özellikle hareketsiz kohortun genişletilmesini, istatistiksel gücün ve genellenebilirliğin artırılmasını ve GC-MS ile tanımlanan kararlı VOC panelinin çok malzemeli bir sensör dizisine aktarılmasını gelecek hedef olarak belirtmektedir. Nihai amaç, çoklu VOC'leri aynı cihaz üzerinde algılayabilecek küçültülmüş ve taşınabilir bir nefes izleme platformuna ilerlemektir.

Kaynak ve Yöntem Notu

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

Kaynak PDF'de verilen yazarlar: Tsung Ming Chao; Rakesh Kumar Patnaik; Yu Chen Lin; Ming-Chih Ho; Zhe Liang Yeh.

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

Dergi: AI Sensors.

Yayınevi: MDPI.

Cilt/sayı/makale: 2026, 2(2), 6.

DOI: 10.3390/aisens2020006.

Gönderim: 31 Aralık 2025. Revizyon: 23 Nisan 2026. Kabul: 11 Mayıs 2026. Yayın: 21 Mayıs 2026.

Kaynak türü: Hakemli araştırma makalesi / Feature Paper.

Lisans: Açık erişim; Creative Commons Attribution (CC BY).

Etik: Çalışma National Taiwan University Hospital Institutional Review Board tarafından onaylanmıştır. Kaynak iki protokol kodu vermektedir: 201810051RINC ve 201912138RINB. Katılımcılardan bilgilendirilmiş onam alındığı belirtilmiştir.

Veri erişilebilirliği: Verilerin sorumlu yazardan talep üzerine edinilebileceği, gizlilik ve etik sınırlamalar nedeniyle herkese açık olmadığı bildirilmektedir.

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

Çıkar çatışması: Yazarlar çıkar çatışması olmadığını bildirmektedir.

Yazar katkıları: Kavramsallaştırma R.K.P. ve Y.C.L.; yöntem ve yazılım R.K.P.; doğrulama, araştırma, veri kürasyonu ve ilk taslak T.M.C.; kaynaklar M.-C.H.; denetim, proje yönetimi ve finansman edinimi Z.L.Y. olarak raporlanmıştır.

Yapay zekâ kullanımı beyanı: Kaynak, Tsung Ming Chao'nun makalenin dilini ve okunabilirliğini geliştirmek amacıyla Gemini 3 kullandığını; daha sonra içeriği gözden geçirip düzenlediğini ve yayın içeriğinin sorumluluğunu üstlendiğini belirtmektedir.

Bibliyografik uyarı: Yüklenen PDF son yazarı “Zhe Liang Yeh” olarak verirken MDPI'nin güncel sayı dizini aynı DOI altında “J. Andrew Yeh” adını göstermektedir. Bu fark kaynaklar arasında çözülmemiş bir bibliyografik uyuşmazlık olarak korunmalıdır.

Temel yöntemsel sınırlılık: Hareketsiz grubun gerçek başlangıç büyüklüğü n=4'tür. Model sınıf dengesizliğini DBSCAN/kNN tabanlı sentetik örnek üretimiyle azaltmaktadır. Bu işlem yeni biyolojik katılımcılar oluşturmaz ve bağımsız geniş kohort doğrulamasının yerine geçmez.

Ek kaynak-içi tutarlılık uyarısı: PDF'de toplam örneklem sayısı, GC-MS çalışma programı, m/z aralığı ve amonyak sensörü LOD'sinin ifade edilişinde farklı bölümler arasında uyumsuzluklar bulunmaktadır. Verianla metninde bu değerlerden biri keyfi biçimde “doğru” kabul edilmemiştir.