Анализ выдыхаемого воздуха в реальном времени для оценки риска ХОБЛ у курильщиков с использованием гетеропереходного датчика ZnO/SnO₂, интегрированного с методом опорных векторов

Почему ваше дыхание может выдать скрытые проблемы с лёгкими

Хроническая обструктивная болезнь лёгких (ХОБЛ) — одна из ведущих причин смертности в мире, но часто она длительно развивается почти бессимптомно. В настоящее время врачи в основном полагаются на тесты функции лёгких, выполняемые в клиниках, поэтому многие люди с высоким риском — особенно курильщики — диагностируются слишком поздно. В этом исследовании описан новый интеллектуальный анализатор дыхания в виде маски, который отслеживает угарный газ (CO) в выдыхаемом воздухе как ранний признак риска ХОБЛ, используя передовые материалы, миниатюрную электронику и машинное обучение, превращая простой выдох в мощную проверку состояния здоровья.

Нарастающий кризис лёгких, требующий более ранней диагностики

ХОБЛ — это длительное заболевание, которое затрудняет дыхание и не поддаётся полному обратному развитию. Оно ежегодно уносит жизни миллионов людей и особенно часто встречается у пожилых и курильщиков. Одним из ключевых факторов в его развитии является угарный газ (CO) — газ, содержащийся в табачном дыме, загрязнённом городском воздухе и дыме от сжигания топлива. CO гораздо сильнее связывается с гемоглобином в крови, чем кислород, снижая доставку кислорода к тканям и способствуя повреждению лёгких и воспалению. Исследования показывают, что люди с ХОБЛ, особенно курильщики, выдыхают повышенные уровни CO по сравнению со здоровыми людьми. Так, здоровые некурящие обычно выдыхают примерно 1–4 частей на миллион (ppm) CO, тогда как текущие курильщики с ХОБЛ могут превышать 12 ppm. Это делает выдыхаемый CO перспективным безболезненным маркером лёгкого стресса, который можно отслеживать в повседневной жизни, а не только в больнице.

Встраивание крошечного датчика дыхания в простую маску

Исследователи поставили задачу разработать небольшой недорогой датчик CO, который мог бы работать при температуре близкой к температуре тела, чтобы его было удобно использовать в маске или носимом устройстве. Они комбинировали два оксида металлов — оксид цинка (ZnO) и диоксид олова (SnO₂) — в тщательно спроектированную тонкую плёнку, называемую гетеропереходом. Эта особая многослойная структура, дополнительно покрытая проводящим полимером (PEDOT:PSS), была нанесена на небольшую стеклоподобную подложку и подключена к серебряным контактам. Когда воздух проходит над плёнкой, кислород адсорбируется на её поверхности и захватывает электроны, повышая электрическое сопротивление плёнки. Когда молекулы CO попадают в выдохе, они реагируют с этими кислородными видами, возвращая электроны в материал и снижая сопротивление. Благодаря своей структуре комбинированная плёнка ZnO/SnO₂ демонстрировала гораздо более сильные и быстрые изменения сопротивления, чем каждый материал по отдельности, достигая высокой чувствительности уже при 37 °C — примерно при температуре человеческого тела.

От электрических сигналов к показаниям здоровья в реальном времени

Для испытаний датчика команда собрала контролируемую газовую камеру, смешивавшую точные количества CO с азотом и поддерживавшую температуру 37 °C. Они измеряли, как быстро датчик реагировал при включении и отключении CO, и насколько сильно менялось его сопротивление при разных концентрациях газа. Устройство на основе ZnO/SnO₂ реагировало примерно за 14 секунд и восстанавливалось всего за 3 секунды, с чувствительностью более 260% при 12 ppm CO. Зависимость между сопротивлением и концентрацией CO оказалась очень предсказуемой и подчинялась простой математической зависимости, что позволило авторам напрямую переводить сырые показания сопротивления в уровни CO. Затем датчик интегрировали в маску, соединённую трубкой с небольшим герметичным отсеком, считывали сигнал с помощью микроконтроллера Arduino, фильтровали и сохраняли данные, а затем беспроводно отправляли через Wi‑Fi в облачную платформу. Эта компактная система превращала маску в устройство Интернета вещей (IoT), способное удалённо мониторить дыхание.

Использование машинного обучения для разделения курильщиков, бывших курильщиков и остальных

Поскольку на одно измерение дыхания влияет множество факторов, исследователи добавили слой машинного обучения для интерпретации паттернов во времени. Они собрали данные выдыхаемого воздуха от 15 взрослых добровольцев, разбитых на группы некурящих, текущих курильщиков и бывших курильщиков, и обучили классификатор на основе метода опорных векторов (SVM) различать эти группы, используя оценки уровня CO, полученные по сопротивлению датчика. Модель показала точность обучения около 94% и точность на тестовой выборке почти 82%, что значительно превосходит ранние подходы. Система чётко разделяла более низкие уровни CO у некурящих и более высокие уровни у бывших курильщиков и особенно у текущих курильщиков, что тесно связано с повышенным риском ХОБЛ. По сути, устройство действует как сфокусированный одно‑газовый «электронный нос», настроенный на CO, в сочетании с интеллектуальным программным обеспечением, которое преобразует паттерны дыхания в информативные категории риска.

Что это может значить для повседневного ухода за лёгкими

Главный вывод для неспециалиста заключается в том, что эта работа приближает нас к будущему, в котором проверка состояния лёгких может быть такой же простой, как надеть маску и нормально подышать короткое время. Объединив высокочувствительный, энергоэффективный датчик CO с беспроводной электроникой и машинным обучением, система может оценивать, сколько вредного CO в вашем дыхании, и классифицировать, похож ли ваш профиль на профиль некурящего, бывшего курильщика или курильщика с высоким риском. Хотя это не заменяет полноценные медицинские исследования, такая технология может стать доступным портативным скрининговым инструментом для ранней оценки риска ХОБЛ и для постоянного мониторинга дома или в первичной медпомощи, помогая людям и врачам действовать заранее — задолго до того, как одышка станет нестерпимой.

Цитирование: 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

Ключевые слова: ХОБЛ, анализ дыхания, угарный газ, ношимые датчики, машинное обучение