Realtime ademhalingsanalyse voor COPD-risicobeoordeling bij rokers met een ZnO/SnO₂-heterojunctiesensor geïntegreerd met support vector machine

Waarom je adem verborgen longproblemen kan onthullen

Chronische obstructieve longziekte (COPD) is een van de belangrijkste doodsoorzaken wereldwijd, maar ontwikkelt zich vaak sluipend over vele jaren. Artsen vertrouwen vandaag de dag vooral op longfunctietests in klinieken om COPD op te sporen, waardoor veel mensen met een hoog risico — vooral rokers — pas laat worden gediagnosticeerd. Deze studie beschrijft een nieuw type slimme, masker‑gebaseerde ademhalingsanalysator die koolmonoxide in uitgeademde lucht zoekt als vroeg waarschuwingssignaal voor COPD‑risico, waarbij geavanceerde materialen, miniaturisatie van elektronica en machine learning een eenvoudige ademhaling omzetten in een krachtige gezondheidscontrole.

Een toenemende longcrisis die vroegere antwoorden vereist

COPD is een langdurige aandoening die ademhalen bemoeilijkt en niet volledig omkeerbaar is. Het veroorzaakt jaarlijks miljoenen doden en komt vooral voor bij ouderen en rokers. Een belangrijke boosdoener in de ontwikkeling is koolmonoxide (CO), een gas dat voorkomt in sigarettenrook, vervuilde stadslucht en rook van brandstoffen. CO hecht zich veel sterker aan hemoglobine in het bloed dan zuurstof, waardoor de zuurstoftoevoer van het lichaam vermindert en bijdraagt aan longschade en ontsteking. Studies tonen aan dat mensen met COPD, vooral rokers, hogere CO‑waarden uitademen dan gezonde personen. Gezonde niet‑rokers blazen doorgaans ongeveer 1–4 parts per million (ppm) CO uit, terwijl huidige rokers met COPD meer dan 12 ppm kunnen bereiken. Dit maakt uitgeademde CO tot een veelbelovende, pijnloze marker voor longstress die in het dagelijks leven gevolgd kan worden, niet alleen in ziekenhuizen.

Een kleine ademsensor in een eenvoudig masker bouwen

De onderzoekers wilden een kleine, goedkope CO‑sensor ontwerpen die dicht bij lichaamstemperatuur kan werken, zodat hij comfortabel in een masker of draagbaar apparaat gebruikt kon worden. Ze combineerden twee metaaloxiden, zinkoxide (ZnO) en tin(IV)oxide (SnO₂), in een zorgvuldig vervaardigde dunne film die een heterojunctie vormt. Deze speciale gelaagde structuur, bijkomend gecoat met een geleidende polymeer (PEDOT:PSS), werd op een kleine glasachtige drager aangebracht en met zilveren contacten verbonden. Wanneer lucht over de film stroomt, hecht zuurstof aan het oppervlak en vangt elektronen, waardoor de elektrische weerstand van de film toeneemt. Wanneer CO‑moleculen in een ademhalingsmonster aankomen, reageren ze met die zuurstofsoorten, komen elektronen terug in het materiaal en daalt de weerstand. Door zijn structuur toonde de gecombineerde ZnO/SnO₂‑film veel sterkere en snellere weerstandswijzigingen dan elk materiaal afzonderlijk, met hoge gevoeligheid bij slechts 37 °C — ruwweg lichaamstemperatuur.

Van elektrische signalen naar realtime gezondheidsuitkomsten

Om de sensor te testen bouwde het team een gecontroleerde gaskamer die nauwkeurige hoeveelheden CO met stikstof mengde en de temperatuur op 37 °C hield. Ze maten hoe snel de sensor reageerde wanneer CO werd in- en uitgeschakeld en hoe sterk de weerstand veranderde bij verschillende gasconcentraties. Het ZnO/SnO₂‑apparaat reageerde in ongeveer 14 seconden en herstelde in slechts 3 seconden, met een gevoeligheid van meer dan 260% bij 12 ppm CO. De relatie tussen weerstand en CO‑concentratie was zeer voorspelbaar en volgde een eenvoudige wiskundige wet, waardoor de auteurs rauwe weerstandmetingen rechtstreeks in CO‑waarden konden omzetten. Vervolgens integreerden ze de sensor in een mond‑/neusmasker dat via een buis aan een kleine afgesloten kamer was gekoppeld, lazen het signaal met een Arduino‑microcontroller, filterden en slaakten de gegevens op, en stuurden ze draadloos via Wi‑Fi naar een cloudplatform. Deze compacte opstelling veranderde het masker in een Internet‑of‑Things (IoT)‑apparaat voor externe ademmonitoring.

Machine learning laat rokers, ex‑rokers en anderen onderscheiden

Aangezien veel factoren een enkele ademmeting kunnen beïnvloeden, voegden de onderzoekers een machine‑learninglaag toe om patronen in de tijd te interpreteren. Ze verzamelden uitgeademde‑luchtgegevens van 15 volwassen vrijwilligers, ingedeeld als niet‑rokers, huidige rokers en ex‑rokers, en trainden vervolgens een support vector machine (SVM)‑classifier om deze groepen te onderscheiden op basis van de CO‑schattingen van de sensor (afgeleid uit weerstand). Het model behaalde een trainingsnauwkeurigheid van ongeveer 94% en een testnauwkeurigheid van bijna 82%, een grote stap vooruit ten opzichte van eerdere benaderingen. Het systeem kon duidelijk de lagere CO‑waarden van niet‑rokers scheiden van de hogere waarden bij ex‑rokers en vooral bij huidige rokers, die sterk samenhangen met een verhoogd COPD‑risico. In wezen werkt het apparaat als een gefocuste, enkelgas ‘elektronische neus’ gericht op CO, gecombineerd met intelligente software die ademhalingspatronen omzet in zinvolle risicocategorieën.

Wat dit kan betekenen voor dagelijkse longzorg

Voor niet‑specialisten is de kernboodschap dat dit werk ons dichter brengt bij een toekomst waarin het controleren van je longen zo eenvoudig kan zijn als het opzetten van een masker en kort normaal ademhalen. Door een zeer gevoelige, energiezuinige CO‑sensor te combineren met draadloze elektronica en machine learning, kan het systeem inschatten hoeveel schadelijke CO in je adem zit en classificeren of je patroon lijkt op dat van een niet‑roker, ex‑roker of hoogrisico‑roker. Hoewel het geen volledige medische onderzoeken vervangt, kan het een betaalbaar, draagbaar screeningsinstrument worden voor vroege COPD‑risicobeoordeling en doorlopende monitoring thuis of in de eerstelijnszorg, wat mensen en zorgverleners helpt eerder te handelen — lang voordat kortademigheid niet meer te negeren is.

Bronvermelding: Chellamuthu, P., Savarimuthu, K., Alsath, M.G.N. et al. Real-time breath analysis for COPD risk assessment in smokers using a ZnO/SnO₂ heterojunction sensor integrated with support vector machine. Sci Rep 16, 5100 (2026). https://doi.org/10.1038/s41598-026-35583-6

Trefwoorden: COPD, ademanalyse, koolmonoxide, draagbare sensoren, machine learning