Ushbu tadqiqot surunkali jigar kasalligini (CLD) nafasdagi uchuvchan organik birikmalar orqali noinvaziv tarzda farqlashni maqsad qilgan va gaz xromatografiyasi-mass-spektrometriya (GC-MS), indiy nitrid (InN) asosidagi yarimo‘tkazgichli gazni aniqlash, uch holatli fiziologik namuna olish va mashinaviy o‘rganishni birlashtiruvchi integratsiyalashgan diagnostik doirani o‘rganadi. Bu doira bitta biomarker konsentratsiyasiga tayanish o‘rniga bir nechta VOC hosil qiladigan ko‘p o‘lchovli metabolik naqshdan foydalanishni ko‘zlaydigan analitik tizimdir. Tadqiqotchilar 2000 dan ortiq ehtimoliy nafas VOC orasidan taxminan 20 nomzodni aniqlab, keyin GC-MS va xususiyat tanlash orqali yanada ixcham panel tuzgan. InN asosidagi sensor ayniqsa ammiakni aniqlash uchun tavsiflangan bo‘lsa, mashinaviy o‘rganish tasnifi asosan GC-MS dan olingan ko‘p sonli VOC xususiyatlari asosida bajarilgan.

Tadqiqotning asosiy qiyinligi shundaki, surunkali jigar kasalligi va kamharakat turmush tarzi yuzaga keltirishi mumkin bo‘lgan metabolik naqshlar qisman ustma-ust tushishi mumkin. Tadqiqotchilar bu muammoni hal qilish uchun dam olish, jismoniy mashq va tiklanish bosqichlaridan iborat uch holatli namuna olish protokolini qo‘llagan; qisqa muddatli jismoniy faollikdan kuchli ta’sirlanadigan biomarkerlarni barqarorroq biomarkerlardan ajratishga uringan. Random Forest tasniflagichi va DBSCAN/kNN asosidagi ma’lumotlarni ko‘paytirish yondashuvi bilan yaratilgan to‘rt sinfli model uchun umumiy aniqlik 0,86, makro-o‘rtacha AUC esa 0,96 deb xabar qilingan. Kamharakat sinf uchun precision 0,92, recall esa 0,54.

Biroq natijalar keng aholi uchun qat’iy klinik samaradorlik dalili sifatida talqin qilinmasligi kerak. Kamharakat guruhning haqiqiy boshlang‘ich namunasi atigi to‘rt kishidan iborat va sinflar nomutanosibligi sintetik namunalar yaratish orqali kamaytirilgan. Bundan tashqari, manba matnida umumiy ishtirokchilar soni, ayrim GC-MS ish sharoitlari va sensorning aniqlash chegarasi ifodalanishi bo‘yicha ichki nomuvofiqliklar mavjud. Shu sababli tadqiqot portativ klinik diagnostika qurilmasining yakuniy tasdiqlanishidan ko‘ra, nafas metabolomikasi, fizik sensor va ko‘p o‘zgaruvchili mashinaviy o‘rganishni birlashtiruvchi eksperimental texnik doira sifatida baholanishi kerak.

Nega bitta nafas biomarkeri yetarli bo‘lmasligi mumkin?

Inson nafasida 2000 dan ortiq uchuvchan organik birikma bo‘lishi mumkin. Ushbu molekulalarning bir qismi hujayra energiya metabolizmi, aminokislota metabolizmi, lipid metabolizmi va jigar amalga oshiradigan biokimyoviy o‘zgarishlarning yakuniy yoki yon mahsulotlari sifatida paydo bo‘ladi. Shu sababli jigar funksiyasidagi o‘zgarishlar nazariy jihatdan nafasda o‘lchanadigan kimyoviy “metabolik barmoq izi”ni hosil qilishi mumkin.

Biroq bir xil VOC faqat bitta kasallikka xos emas. Ammiak jigarning mochevina siklidagi buzilishlar bilan bog‘liq bo‘lishi mumkin, shu bilan birga buyrak funksiyasi, og‘iz va gastrointestinal mikrobiota ham nafas ammiagiga ta’sir qilishi mumkin. Dimetil sulfid (DMS) jigar metabolizmi bilan bog‘liq bo‘lsa-da, og‘iz gigiyenasi, mikrob faolligi va ovqatlanishdan ta’sirlanishi mumkin. Limonen esa jigar klirensi bilan bog‘liq deb baholansa ham, yaqinda sitrus iste’moli yoki atrof-muhit ta’siri konsentratsiyani o‘zgartirishi mumkin.

Izopren ayniqsa muhim misoldir. Tadqiqotda izopren jismoniy faollik bilan kuchli ravishda o‘zgarishi ko‘rsatilgan. Shu sababli bir VOCning kasallik bilan bog‘liq bo‘lishi uning yakka holda ishonchli va fiziologik holatdan mustaqil diagnostik marker ekanini anglatmaydi.

Nega uch holatli namuna olish ishlatildi?

Uch holatli protokolning maqsadi dam olish, jismoniy mashq va tiklanish davomida o‘zgaradigan vaqtinchalik metabolik signallarni surunkali va barqarorroq metabolik xususiyatlardan ajratishdir. Tadqiqotda ishtirokchilar avval taxminan 60–80 BPM yurak urish tezligida dam olgan, keyin taxminan ikki daqiqalik zinadan ko‘tarilish mashqi bilan 100–120 BPM oralig‘iga yetgan va nihoyat taxminan 15 daqiqalik tiklanishdan so‘ng yurak urish tezligi yana 60–80 BPM darajasiga kelganda namuna olingan.

Tadqiqot mantig‘i shundan iboratki, faqat mashqdan darhol keyin oshadigan bir VOC kasallikni farqlash uchun ishonchli bo‘lmasligi mumkin. Recursive Feature Elimination (RFE) yondashuvi shu sababli uchala fiziologik holatda ham farqlash kuchini saqlaydigan xususiyatlarni aniqlash uchun ishlatilgan.

Nega izopren yakka holda yetarli bo‘lmadi?

Dam olish holatidan mashqdan keyingi holatga o‘tilganda izopren konsentratsiyalari barcha guruhlarda sezilarli oshgan. Manbadagi Dunn ko‘p martalik taqqoslash natijalarida Patients-B va Athletes kabi bir-biridan uzoqroq guruhlar o‘rtasida kuchli farq topilgan bo‘lsa-da, Athletes-Sedentary, Patients-A-Sedentary va Patients-A-Athletes kabi qiyinroq taqqoslashlar statistik jihatdan ahamiyatli emas.

Shunday qilib, tadqiqotning asosiy xabarlaridan biri “bitta biomarkerda guruh o‘rtachalari farqlanadimi?” degan savol ayrim nozik metabolik farqlarni ushlash uchun yetarli bo‘lmasligi mumkinligidir.

Mashinaviy o‘rganish bir o‘zgaruvchili tahlildan farqli ravishda nimani ushladi?

Random Forest modeli har bir VOCni alohida baholash o‘rniga VOC lar birgalikda hosil qiladigan ko‘p o‘lchovli va nochiziqli naqshdan foydalangan. Manbada keltirilgan konseptual misolga ko‘ra, kamharakat metabolik profil faqat “VOC-A yuqori” shaklida ta’riflanishi shart emas; turli VOC larning past, o‘rta yoki yuqori darajalari birgalikda hosil qiladigan kombinatsiya farqlovchi bo‘lishi mumkin. Tadqiqotning mashinaviy o‘rganish qatlami aynan shu umumiy naqshni ushlashni maqsad qiladi.

Nafas VOC panelini shakllantirish

Tadqiqotchilar avval klinik GC-MS ma’lumotlari va adabiyotlardan taxminan 20 nomzod biomarkerni tanlagan. Atrof-muhit ta’siriga moyil toluol va benzol kabi birikmalar hamda turli ma’lumot guruhlarida beqarorlik ko‘rsatgani aytilgan ayrim xususiyatlar chiqarib tashlangan. Keyingi tahlillarda ammiak, aseton, izopren, DMS va limonen markaziy birikmalar qatorida bo‘lgan.

GC-MS panelida izopren, DMS va limonen analitik standartlar bilan tasdiqlangan. Boshqa to‘rtta xususiyat esa mass-spektr va retensiya xatti-harakatlariga ko‘ra vaqtincha Feature 1–4 shaklida saqlangan. Manba bu to‘rtta signalni aniq kimyoviy identifikatsiya sifatida taqdim etmaydi; NIST mosliklariga qaramay, ular “putative”, ya’ni vaqtinchalik/tentativ metabolik xususiyatlar ekani alohida ta’kidlangan.

Metabolik mexanizm: glikoliz, asetil-CoA va mevalonat yo‘li

Tadqiqot jismoniy faollik bilan nafas izopreni o‘rtasidagi bog‘liqlikni energiya metabolizmi orqali muhokama qiladi. Glyukoza glikoliz davomida piruvatga aylanadi; piruvat keyin asetil-CoA hosil bo‘lishiga hissa qo‘shadi. Asetil-CoA bir tomondan mitoxondrial Krebs sikli va oksidlovchi fosforlanish orqali energiya ishlab chiqarishda ishlatiladi, boshqa tomondan mevalonat yo‘liga kirishi mumkin.

Mevalonat yo‘lida asetil-CoA dan HMG-CoA va mevalonat hosil bo‘ladi. Keyingi fosforlanish bosqichlarida ATP sarflanadi va izopentenil pirofosfat (IPP) kabi oraliq mahsulotlarga erishiladi. Keyin yo‘l izopren ishlab chiqarish yoki skvalen va xolesterin sintezi yo‘nalishlariga ajralishi mumkin. Shu sababli jismoniy faollikning ATP talabini va qon aylanish dinamikasini o‘zgartirishi izopren konsentratsiyasiga ham ta’sir qilishi mumkin.

Ushbu mexanizm tadqiqotda kamharakat shaxslar bilan faol sportchilar o‘rtasidagi metabolik farqlar jigar kasalligi bilan bog‘liq VOC o‘zgarishlarini talqin qilishni nega qiyinlashtirishi mumkinligini tushuntirish uchun ishlatiladi.

InN sensorining fizik ishlash asosi

Tadqiqotning apparat qatlami indiy nitrid (InN) asosidagi yarimo‘tkazgich sensordir. Tadqiqotchilar InN sirtidagi yuqori zichlikdagi elektron to‘planish qatlamidan sirt potensialidagi kichik o‘zgarishlarga sezgir o‘tkazuvchan kanal sifatida foydalanadi. Manbada keltirilgan energiya zonalari sxemasi InN sirtidagi zonalar egilishi bilan ushbu elektron to‘planish qatlami o‘rtasidagi bog‘liqlikni ko‘rsatadi.

Aniqlash sirtida platina saqlovchi katalitik qatlam ishlatilgan. Manba shuningdek ammiakni yuqori konsentratsiyali aseton xalaqitidan ajratish uchun silikon moyi qatlamini selektiv o‘tkazuvchanlik qatlami sifatida tekshiradi.

Ammiak-aseton selektivligi

0,7 ppm ammiak sharoitida qoplamasiz sensorning taxminan %25 darajadagi javobi silikon moyi qoplamasidan keyin taxminan %20 gacha kamaygan, biroq aniq javob saqlangan. Xuddi shu konsentratsiyadagi asetonda esa taxminan %14 bo‘lgan qoplamasiz javob silikon moyi bilan %5 dan pastga tushgani xabar qilingan. Manba bu natijani silikon moyining ammiak uchun yuqoriroq, aseton uchun esa pastroq o‘tkazuvchanlik/diffuziya xatti-harakati bilan bog‘laydi.

Platina qoplangan InN sensorining ammiakka javobi

Manba Table 1 da 200 °C ish haroratida oltita ammiak konsentratsiyasi uchun nisbiy tok o‘zgarishi, mutlaq tok o‘zgarishi, javob vaqti va tiklanish vaqtini keltiradi.

Konsentratsiya 0,2 ppm dan 10 ppm gacha oshgani sari nisbiy tok o‘zgarishi %7,5 dan %37 gacha ko‘tariladi. Bunga qarshi ravishda I10%→I90% shaklida ta’riflangan javob vaqti 2730 soniyadan 1230 soniyagacha qisqaradi. Tiklanish vaqti esa taxminan 3100–3400 soniya oralig‘ida qolgan. Bu ma’lumotlar sensor past konsentratsiyalarda o‘lchanadigan javob berishini, biroq javob va ayniqsa tiklanish vaqtlari qisqa emasligini ham ko‘rsatadi.

GC-MS va termal desorbsiya

Nafas namunalari 5 L hajmli kimyoviy inert Tedlar xaltalarida to‘plangan, adsorbent naychalarda konsentrlangan va PerkinElmer GC-MS tizimi hamda TurboMatrix 300 avtomatik termal desorber yordamida tahlil qilingan. Tashuvchi gaz sifatida %99,9995 tozalikdagi geliy va Elite 624 qutbli kapillyar kolonna qayd etilgan.

Manbaning metod bo‘limida GC-MS sharoitlari uchun ikki xil parametr to‘plami mavjud. Bir tavsifda boshlang‘ich harorat 35 °C da 5 daqiqa ushlab turilgan, 7 °C/daq tezlikda 90 °C gacha, so‘ng 30 °C/daq tezlikda 220 °C gacha ko‘tarilgan; m/z oralig‘i 20–300 deb berilgan. Boshqa kichik bo‘lim esa 40 °C da 2 daqiqalik muvozanatlashdan boshlanib 200 °C gacha davom etuvchi dastur va m/z 22–250 oralig‘ini xabar qiladi. Bu ikki tavsif manba ichida moslashtirilmaganligi sababli bu yerda ham alohida saqlangan.

Ammiak GC-MS ning quyi massa oralig‘idagi cheklovlari sababli alohida Model T201 xemilyuminessent ammiak analizatori bilan o‘lchangan. Manba GC-MS LOD va LOQ chegaralarini mos ravishda signal/shovqin nisbati 3 va 10 dan yuqori bo‘lishi sifatida belgilaydi.

Tadqiqot Usuli va Natijalari

Ishtirokchilar va guruh tuzilishi

Manbaning natijalar bo‘limida jami 67 ishtirokchi qayd etilgan. Jigar bemorlari 30 kishi; sog‘lom/faol guruh 33 kishi sifatida ko‘rsatilgan va qo‘shimcha ravishda kamharakat nazorat guruhi n=4 deb berilgan. Bemorlar guruhi Child-Pugh tasnifiga ko‘ra erta/kompensatsiyalangan Class A va rivojlangan/dekompensatsiyalangan Class B/C guruhlariga bo‘lingan.

Kamharakat ishtirokchilar turmush tarzi so‘rovnomalari asosida, kuniga sakkiz soatdan ortiq o‘tirish va o‘rta-yuqori intensivlikdagi muntazam jismoniy mashqning yo‘qligi kabi mezonlar bilan tanlangan. Bu guruh atigi to‘rt kishidan iborat bo‘lishi keyingi mashinaviy o‘rganish tahlillarini talqin qilishdagi eng muhim cheklovlardan biridir.

Manba ichidagi son nomuvofiqligi: metod bo‘limining bir joyida “63 ishtirokchi” iborasi ishlatilgan bo‘lsa-da, ayni joyda 30 bemor, 33 sportchi va 4 kamharakat shaxs sanab o‘tiladi; ularning jami 67. Natijalar bo‘limi va mashinaviy o‘rganish ish oqimi ham n=67 dan foydalanadi. Shu sababli 63 va 67 sonlari manba ichida to‘liq mos emas.

Mashinaviy o‘rganish ish oqimi

Xom ma’lumotlar avval instrumental fon tebranishlarini kamaytirish uchun tozalangan va maqsadli gaz konsentratsiyalariga ko‘ra normallashtirilgan. Manbaning Figure 6 tavsifida 67 namuna 53 ta o‘qitish va 14 ta test namunasiga ajratilgan.

Sinf nomutanosibligi ayniqsa kamharakat guruh uchun juda katta. Tadqiqotchilar standart SMOTE o‘rniga DBSCAN bilan zichlik hududlari va potensial chet qiymatlarni ajratish, so‘ng ishonchli yadro nuqtalari atrofida kNN asosida sintetik namunalar yaratishni tanlagan. Bu yerdagi maqsad n=4 bo‘lgan ozchilik guruhining tasodifiy interpolatsiyalar bilan haddan tashqari buzilishini kamaytirishdir.

Ushbu sintetik namunalar haqiqiy yangi ishtirokchilar emas. Ular modelning o‘qitish taqsimotini muvozanatlash uchun matematik tarzda yaratilgan namunalardir. Shu sababli model samaradorligini talqin qilishda haqiqiy biologik namuna hajmi bilan ko‘paytirilgan o‘qitish namunasi bir-biridan ajratilishi kerak.

Random Forest to‘rt sinfli samaradorligi

Ushbu jadvaldagi eng muhim tafsilotlardan biri shuki, kamharakat sinf uchun precision 0,92 bo‘lsa-da, recall atigi 0,54. Boshqacha aytganda, model “kamharakat” deb belgilagan namunalarning katta qismi to‘g‘ri bo‘lsa ham, haqiqiy kamharakat namunalarning muhim qismini aniqlay olmagan. Precision va recall bir xil tushuncha emas; yuqori precisionning o‘zi yuqori sezgirlikni anglatmaydi.

Test to‘plamidagi chalkashlik matritsasi

Test to‘plamidagi ikki haqiqiy kamharakat namunadan biri to‘g‘ri tasniflangan, ikkinchisi sportchi sifatida tasniflangan. Manba bu naqshni asosiy farqlash qiyinligi “sog‘lom-kamharakat” va “sog‘lom-faol” fenotiplar o‘rtasida ekaniga doir biologik jihatdan mantiqli natija sifatida talqin qiladi.

t-SNE vizualizatsiyasi nimani ko‘rsatadi?

t-SNE yuqori o‘lchamli VOC xususiyatlarini ikki o‘lchamli vizual fazoga kamaytirish uchun ishlatilgan. Figure 13 da sportchi, Class A, Class B va kamharakat namunalar turli fazoviy hududlarda klasterlangani ko‘rinadi. Kamharakat namunalar sportchi va bemor klasterlaridan alohida joylashgan.

Biroq bu yerda t-SNE vizualizatsiya vositasi ekanini unutmaslik kerak. Ikki o‘lchamli klaster ko‘rinishi o‘z-o‘zidan mustaqil klinik tasdiq yoki sababiylik dalili emas; tasniflash samaradorligi test to‘plami va boshqa ko‘rsatkichlar bilan birga baholanishi kerak.

Sintetik namunalarning FID taqqoslashi

Manba pastroq FID qiymatini DBSCAN+kNN bilan yaratilgan ma’lumot taqsimoti asl ma’lumot taqsimotiga yaqinroq ekanining ko‘rsatkichi sifatida talqin qiladi. Biroq FID o‘xshashligi sintetik namunalar yangi haqiqiy inson o‘lchovlari ekanini anglatmaydi va n=4 boshlang‘ich guruh uchun tashqi tasdiqlash ehtiyojini yo‘q qilmaydi.

Limonen, DMS va barqaror VOC paneli

Uch holatli namuna olish va RFE dan so‘ng limonen va DMS sportchi va kamharakat sog‘lom guruhlar o‘rtasida ahamiyatli farq ko‘rsatmaydigan, biroq kasallik og‘irligi bilan yanada ravshan ajralish ko‘rsatadigan xususiyatlar sifatida muhokama qilinadi. Figure 12 da ko‘rsatilgan fiziologik jihatdan barqarorroq to‘rtta xususiyat ham alohida tekshirilganda sportchi va kamharakat guruhlarni ahamiyatli darajada ajratmaydi.

Bu nuqta tadqiqotning mashinaviy o‘rganish asosining markazidadir: alohida xususiyatlar yetarli ajratishni bermasa-da, ular birgalikda hosil qiladigan nochiziqli naqsh tasniflagich tomonidan ishlatilishi mumkin.

Ammiak sensori va mashinaviy o‘rganish modeli bir xil ma’lumot manbasi emas

Tadqiqotda ayniqsa saqlanishi kerak bo‘lgan farq bor. InN sensori ammiak kabi ayrim asosiy gazlarning fizik aniqlanishini tasdiqlash uchun ishlatiladi. Bunga qarshi ravishda mavjud AI tasniflash modeli keng qamrovli GC-MS tahlilidan olingan ko‘p VOC panelida o‘qitilgan. Shu sababli tadqiqot “InN sensori yakka o‘zi to‘rtta guruhni tasnifladi” deb talqin qilinmasligi kerak.

Manba shuningdek ammiak jigar kasalligi uchun muhim ko‘rsatkich bo‘lsa-da, kamharakat va faol sog‘lom guruhlarni yuqori aniqlikda farqlash uchun yetarli emasligini va shu sababli tegishli yuqori aniqlikdagi tasniflashda ko‘proq farqlovchi ko‘p xususiyatli panelga urg‘u berilganini bildiradi.

Manba ichidagi aniqlash chegarasi ifodalari

Aniqlash chegarasi bo‘yicha ham manba ichida turli ifodalar mavjud. Xulosa va natijalar bo‘limi ammiak LOD qiymatini 0,2 ppm dan past deb bildiradi, metod bo‘limining boshqa qismida esa Pt-AlN modifikatsiyasi uchun 0,7 ppm dan past iborasi ishlatiladi; natijalarning sensor tavsiflash bo‘limida esa taxminan 10 nm Pt qatlami bilan <1 ppm deyiladi. Table 1 da o‘lchangan eng past ochiq konsentratsiya 0,2 ppm. Shu sababli bu ifodalar bu yerda bitta qat’iy LOD soniga aylantirilmagan.

Tadqiqot qo‘llab-quvvatlaydigan natijalar

Manba Pt/InN asosidagi sensor sub-ppm darajasida ammiakka o‘lchanadigan javob berishini; silikon moyi qatlami asetonga javobni sezilarli kamaytirar ekan, ammiakka javobning muhim qismini saqlashini; jismoniy faollikdan ta’sirlangan izopren yakka holda nozik guruhlarni ajratish uchun yetarli emasligini; bir nechta VOCning umumiy naqshidan foydalanuvchi Random Forest modeli to‘rt sinfli tasniflashda makro-o‘rtacha AUC 0,96 va umumiy accuracy 0,86 berganini ko‘rsatadi.

Tadqiqot shuningdek n=4 bo‘lgan kamharakat sinf uchun precision 0,92 va recall 0,54 ni xabar qiladi hamda ushbu sinfning ko‘p o‘zgaruvchili metabolik naqshi bir o‘zgaruvchili tahlillarda ko‘rinmaydigan ma’lumotni tashishi mumkinligini ilgari suradi.

Tadqiqot qo‘llab-quvvatlamaydigan natijalar

Ushbu tadqiqot faqat nafas chiqarish orqali surunkali jigar kasalligini bugun klinikada ishonchli tashxislash mumkinligini isbotlamaydi. Tadqiqot yakunlangan portativ ko‘p gazli mahsulotning klinik tasdiqlanishi emas. Mavjud InN apparati barcha VOC panelini bir vaqtda o‘lchamaydi; tadqiqotchilar ko‘p materialli sensor massivini rivojlantirishni kelajakdagi ish sifatida belgilaydi.

Tadqiqot shuningdek to‘rt kishilik kamharakat guruh butun kamharakat aholini ifodalashini ko‘rsatmaydi. Sintetik ma’lumotlarni ko‘paytirish mustaqil va kattaroq klinik kohort ta’minlaydigan biologik xilma-xillik o‘rnini bosa olmaydi. Hisobotdagi AUC va boshqa samaradorlik qiymatlari ushbu tadqiqot ma’lumotlar to‘plami va tahlil tuzilishi kontekstida baholanishi kerak.

Manbaning o‘zida diqqat talab qiladigan nuqtalar

Ishtirokchilarning jami soni turli joylarda 63 va 67 sifatida keltirilgan. GC-MS harorat dasturi va m/z skanerlash oralig‘i uchun ikki alohida parametr to‘plami berilgan. Ammiak LOD ham turli bo‘limlarda <0,2 ppm, <0,7 ppm va <1 ppm shaklida ifodalangan. AUC esa turli kontekstlarda 0,95 va makro-o‘rtacha 0,96 deb xabar qilingan. Ushbu farqlarning ayrimlari turli tahlil yoki samaradorlik ta’riflarini ifodalashi mumkin; biroq manba ularning barchasini bitta izchil parametr to‘plamida aniq muvofiqlashtirmaydi. Shu sababli Verianla matni bu farqlarni yashirmaydi.

Kelajakdagi tadqiqot yo‘nalishi

Tadqiqotchilar ayniqsa kamharakat kohortni kengaytirish, statistik quvvat va umumlashtiriluvchanlikni oshirish hamda GC-MS bilan aniqlangan barqaror VOC panelini ko‘p materialli sensor massiviga ko‘chirishni kelajakdagi maqsad sifatida ko‘rsatadi. Yakuniy maqsad bir nechta VOCni bitta qurilmada aniqlay oladigan kichraytirilgan va portativ nafas monitoring platformasiga o‘tishdir.

Manba va Usul Haqida Izoh

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

Manba PDFda berilgan mualliflar: Tsung Ming Chao; Rakesh Kumar Patnaik; Yu Chen Lin; Ming-Chih Ho; Zhe Liang Yeh.

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

Jurnal: AI Sensors.

Nashriyot: MDPI.

Jild/son/maqola: 2026, 2(2), 6.

DOI: 10.3390/aisens2020006.

Yuborilgan: 31 dekabr 2025. Tahrir: 23 aprel 2026. Qabul: 11 may 2026. Nashr: 21 may 2026.

Manba turi: Taqrizdan o‘tgan tadqiqot maqolasi / Feature Paper.

Litsenziya: Ochiq kirish; Creative Commons Attribution (CC BY).

Etika: Tadqiqot National Taiwan University Hospital Institutional Review Board tomonidan tasdiqlangan. Manba ikkita protokol kodini beradi: 201810051RINC va 201912138RINB. Ishtirokchilardan xabardor qilingan rozilik olingani aytiladi.

Ma’lumotlarning mavjudligi: Ma’lumotlarni mas’ul muallifdan so‘rov asosida olish mumkinligi, maxfiylik va etik cheklovlar sabab ommaga ochiq emasligi bildiriladi.

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

Manfaatlar to‘qnashuvi: Mualliflar manfaatlar to‘qnashuvi yo‘qligini bildiradi.

Muallif hissalari: Konseptuallashtirish R.K.P. va Y.C.L.; metod va dasturiy ta’minot R.K.P.; tasdiqlash, tadqiqot, ma’lumotlarni kuratsiya qilish va dastlabki qoralama T.M.C.; resurslar M.-C.H.; nazorat, loyiha boshqaruvi va moliyalashtirishni jalb qilish Z.L.Y. sifatida xabar qilingan.

Sun’iy intellektdan foydalanish bayonoti: Manba Tsung Ming Chao maqola tili va o‘qilishini yaxshilash uchun Gemini 3 dan foydalanganini; keyin mazmunni ko‘rib chiqib tahrirlaganini va nashr mazmuni uchun javobgarlikni o‘z zimmasiga olganini bildiradi.

Bibliografik ogohlantirish: Yuklangan PDF oxirgi muallifni “Zhe Liang Yeh” deb ko‘rsatadi, MDPI ning joriy son indeksi esa ayni DOI ostida “J. Andrew Yeh” nomini ko‘rsatadi. Bu farq manbalar o‘rtasida yechilmagan bibliografik nomuvofiqlik sifatida saqlanishi kerak.

Asosiy metodologik cheklov: Kamharakat guruhning haqiqiy boshlang‘ich hajmi n=4. Model sinf nomutanosibligini DBSCAN/kNN asosidagi sintetik namuna yaratish orqali kamaytiradi. Bu jarayon yangi biologik ishtirokchilar yaratmaydi va mustaqil katta kohort tasdiqlanishi o‘rnini bosa olmaydi.

Qo‘shimcha manba-ichki izchillik ogohlantirishi: PDFda umumiy namuna soni, GC-MS ish dasturi, m/z oralig‘i va ammiak sensori LOD ifodalanishida turli bo‘limlar o‘rtasida nomuvofiqliklar mavjud. Verianla matnida bu qiymatlardan biri o‘zboshimchalik bilan “to‘g‘ri” deb qabul qilinmagan.