Analiza oddechu w czasie rzeczywistym do oceny ryzyka POChP u palaczy przy użyciu czujnika heterozłącza ZnO/SnO₂ zintegrowanego z maszyną wektorów nośnych

Dlaczego twój oddech może ujawnić ukryte problemy z płucami

Przewlekła obturacyjna choroba płuc (POChP) jest jedną z głównych przyczyn zgonów na świecie, a często rozwija się cicho przez wiele lat. Obecnie lekarze w dużej mierze polegają na badaniach czynności płuc wykonywanych w klinikach, co oznacza, że wiele osób o wysokim ryzyku — zwłaszcza palacze — jest diagnozowanych zbyt późno. W tym badaniu opisano nowy rodzaj inteligentnego analizatora oddechu umieszczonego w masce, który wykrywa tlenek węgla w wydychanym powietrzu jako wczesny sygnał ryzyka POChP, wykorzystując zaawansowane materiały, zminiaturyzowaną elektronikę i uczenie maszynowe, aby prosty oddech stał się potężnym badaniem zdrowotnym.

Narastający kryzys płuc wymagający wcześniejszej diagnostyki

POChP to choroba długotrwała, która utrudnia oddychanie i nie jest w pełni odwracalna. Corocznie zabija miliony ludzi i jest szczególnie powszechna wśród osób starszych oraz palaczy. Jednym z głównych czynników przyczyniających się do jej rozwoju jest tlenek węgla (CO) — gaz obecny w dymie papierosowym, zanieczyszczonym powietrzu miejskim i dymie ze spalania paliw. CO wiąże się z hemoglobiną we krwi znacznie silniej niż tlen, zmniejszając dostawę tlenu do organizmu i przyczyniając się do uszkodzeń płuc oraz stanów zapalnych. Badania pokazują, że osoby z POChP, szczególnie palacze, wydychają wyższe stężenia CO niż osoby zdrowe. Na przykład zdrowi niepalący zwykle wydychają około 1–4 części na milion (ppm) CO, podczas gdy obecni palacze z POChP mogą przekraczać 12 ppm. To czyni wydychany CO obiecującym, bezbolesnym markerem obciążenia płuc, który można monitorować w codziennym życiu, nie tylko w szpitalach.

Wbudowanie małego czujnika oddechu w prostą maskę

Naukowcy postanowili zaprojektować mały, niedrogi czujnik CO, który działałby w temperaturach zbliżonych do ciała, tak aby był wygodny w masce lub urządzeniu do noszenia. Połączyli dwa tlenki metali — tlenek cynku (ZnO) i dwutlenek cyny (SnO₂) — w starannie zaprojektowaną cienką warstwę zwaną heterozłączem. Ta specjalna warstwa, dodatkowo pokryta przewodzącym polimerem (PEDOT:PSS), została osadzona na małym, szklanym podłożu i połączona kontaktami srebrnymi. Gdy powietrze przepływa nad filmem, tlen z powietrza adsorbuje się na jego powierzchni i wychwytuje elektrony, podnosząc oporność warstwy. Gdy w wydychanym powietrzu pojawiają się cząsteczki CO, reagują z tymi gatunkami tlenowymi, uwalniając elektrony z powrotem do materiału i obniżając jego oporność. Dzięki swojej strukturze połączona warstwa ZnO/SnO₂ wykazywała znacznie silniejsze i szybsze zmiany oporności niż każdy z materiałów osobno, osiągając wysoką czułość już przy 37 °C — mniej więcej w temperaturze ciała.

Z sygnałów elektrycznych do odczytów zdrowotnych w czasie rzeczywistym

Aby przetestować czujnik, zespół zbudował kontrolowaną komorę gazową, która mieszała precyzyjne ilości CO z azotem i utrzymywała temperaturę 37 °C. Mierzono, jak szybko czujnik reagował po włączeniu i wyłączeniu CO oraz jak silnie zmieniała się jego oporność przy różnych poziomach gazu. Urządzenie ZnO/SnO₂ reagowało w około 14 sekund i odzyskiwało wartość w zaledwie 3 sekundy, wykazując czułość ponad 260% przy 12 ppm CO. Zależność między opornością a stężeniem CO była bardzo przewidywalna i podlegała prostej regule matematycznej, co pozwoliło autorom bezpośrednio przekształcać surowe odczyty oporności na poziomy CO. Następnie zintegrowali czujnik z maską połączoną rurką z małą, uszczelnioną komorą, odczytywali sygnał za pomocą mikrokontrolera Arduino, filtrowali i przechowywali dane oraz przesyłali bezprzewodowo przez Wi‑Fi do platformy w chmurze. Ten kompaktowy układ przekształcił maskę w urządzenie Internetu Rzeczy (IoT) zdolne do zdalnego monitorowania oddechu.

Pozwolenie uczeniu maszynowemu na rozróżnianie palaczy, byłych palaczy i innych

Ponieważ wiele czynników może wpływać na pojedynczy odczyt oddechu, badacze dodali warstwę uczenia maszynowego do interpretacji wzorców w czasie. Zebrali dane z wydychanego powietrza od 15 dorosłych ochotników podzielonych na grupy: niepalący, obecni palacze i byli palacze, a następnie wytrenowali klasyfikator maszyny wektorów nośnych (SVM), aby rozróżniać te grupy na podstawie szacunków stężenia CO obliczanych z oporności czujnika. Model osiągnął dokładność treningową około 94% i dokładność testową bliską 82%, co stanowi znaczny postęp w stosunku do wcześniejszych metod. System wyraźnie oddzielał niższe poziomy CO u niepalących od wyższych u byłych palaczy i szczególnie u obecnych palaczy, które są ściśle powiązane ze zwiększonym ryzykiem POChP. W praktyce urządzenie działa jak ukierunkowany, jednogazowy „elektroniczny nos” strojony na CO, uzupełniony inteligentnym oprogramowaniem tłumaczącym wzorce oddechowe na znaczące kategorie ryzyka.

Co to może oznaczać dla codziennej opieki nad płucami

Dla osoby nieznającej tematu kluczowy przekaz jest taki, że praca ta przybliża nas do przyszłości, w której sprawdzenie stanu płuc może być tak proste, jak założenie maski i normalne oddychanie przez krótki czas. Dzięki połączeniu wysoce czułego, energooszczędnego czujnika CO z bezprzewodową elektroniką i uczeniem maszynowym system może oszacować, ile szkodliwego CO znajduje się w twoim oddechu i sklasyfikować, czy wzorzec przypomina niepalącego, byłego palacza czy palacza wysokiego ryzyka. Choć nie zastępuje pełnych badań medycznych, może stać się przystępnym, przenośnym narzędziem przesiewowym do wczesnej oceny ryzyka POChP i monitorowania w domu lub podstawowej opiece, pomagając pacjentom i lekarzom działać wcześniej — długo zanim duszność stanie się nie do zignorowania.

Cytowanie: 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

Słowa kluczowe: POChP, analiza oddechu, tlenek węgla, czujniki noszone, uczenie maszynowe