呼出的呼吸生物标志物反映了缺血性心脏病中的炎症和脂质组变化:使用机器学习模型和网络分析的研究

科学领域:

• 心脏病学 心脏病学
• 生物化学 生物化学
• 数据科学数据科学数据科学

背景情况:

• 缺血性心脏病 (IHD) 的诊断依赖于侵入性手术.
• 在IHD中,了解脂管学,炎症体通路和呼出的挥发性有机化合物 (VOC) 之间的相互作用对于开发非侵入性诊断工具至关重要.

研究的目的:

• 研究IHD患者的脂质样本,炎症体生物标志物和呼出的VOC之间的关系.
• 开发和验证一个机器学习模型,使用VOC用于IHD的非侵入性诊断.

主要方法:

• 一项针对80名参与者 (31名IHD,49名对照) 的前性研究,使用压力CT输液和自行车人体工程学.
• 通过PTR-TOF-MS分析休息,运动高峰和恢复时收集的呼吸样本.
• 测量了脂质组 (总胆固醇,HDL-C,LDL-C,甘油三,ApoB,Lp(a)) 和炎症酶标记物 (IL-6,CRP).
• 拉索回归确定了VOC生物标志物协会;XGBoost分类器整合了VOC,脂质组,炎症组和治疗状态.

主要成果:

• 在IHD患者中观察到特定的VOCs和脂质配置文件 (例如HDL-C,总胆固醇) 之间的显著相关性.
• 区分IHD的关键VOC包括2-乙基-2,5-二-4,5-二甲基thiazole,HO3PS2,CH8N3P,以及m/z 49.995.5.
• 一个XGBoost模型实现了0.931的AUC,具有完美的特异性 (1,000) 和PPV (1,000),证明了高诊断准确度.

结论:

• 呼出的VOC模式表明IBH中的脂质调节失调.
• 将VOC与脂质和炎症数据相结合,可以实现准确,非侵入性的IHD诊断.
• 呼吸分析 (呼吸学) 显示为诊断IHD的有价值的辅助.