呼出的呼吸分析以分层心血管风险使用机器学习模型:预防性心脏病学的新前沿
Basheer Abdullah Marzoog1, Philipp Kopylov1
1Sechenov University, 8-2 Trubetskaya street, Moscow, 119991, RUSSIAN FEDERATION.
Journal of breath research
|January 6, 2026
概括
分析呼出的呼吸的机器学习模型显示了对心血管疾病 (CVD) 风险分层的潜力. 这种非侵入性方法可以识别挥发性有机化合物模式,有助于早期发现心脏并发症.
科学领域:
- 心脏病学 心脏病学
- 生物标志物 生物标志物
- 机器学习 机器学习
背景情况:
- 心血管疾病 (CVD) 仍然是全球主要的死亡原因,早期风险检测是预防性心脏病学的重大挑战.
- 识别患有严重心脏并发症高风险的个体对于有效的心脏病预防策略至关重要.
研究的目的:
- 通过对呼出的呼吸进行分析,评估机器学习模型在分层心血管疾病 (CVD) 风险方面的有效性.
- 探索呼吸中的挥发性有机化合物 (VOC) 作为CVD风险评估的生物标志物的潜力.
主要方法:
- 一项单中心研究涉及80名参与者,比较那些有和没有压力诱导的心肌输液缺陷的人.
- 使用PTR-TOF-MS-1000收集呼吸样本,以及血液样本和压力计算机断层扫描心肌输液成像.
- 在Google Colab中使用Python开发了机器学习模型,并使用Statistica和IBM SPSS进行了统计分析.
主要成果:
- 梯度增强机器学习模型在区分低心血管疾病风险方面实现了0.77的AUC.
- 该模型在分层中表现适度 (AUC0.55) 和高 (AUC0.66) 的心血管疾病风险.
- 初步发现表明,呼出的气息中特定的VOCs的可识别度模式与心血管疾病风险层相关.
结论:
- 呼气分析,特别是使用渐变增强机器学习,为心血管风险分层提供了初步证据.
- 需要进一步的研究,以解决临床应用的模型性能和类不平衡方面的挑战.
- 呼吸中的挥发性有机化合物 (VOC) 模式可能成为评估心血管风险的新型非侵入性方法.
