1. prototipa izstrāde, izmantojot izelpas gaisa analīzi ar
ERAF aktivitāte „Atbalsts zinātnei un pētniecībai” „Plaušu vēža diagnostikas metodes un datorprogrammas
prototipa izstrāde, izmantojot izelpas gaisa analīzi ar
mākslīgo ožas sensoru” Vienošanās Nr. 2010/0303/2DP/ /10/APIA/VIAA/043
Dr.med. Māris Bukovskis
Latvijas Universitātes Eksperimentālās un klīniskās medicīnas institūts
Pulmonoloģijas un alergoloģijas centrs
Paula Stradiņa klīniskā universitātes slimnīca

2. The Mackinney Collection of
Medieval Medical Illustrations
Avicenna 980 – 1037; Biblioteca Apostolica Vaticana

3. Gaistošie organiskie savienojumi izelpas gaisā: sākums ...
1971.g. Pauling et al. ar gāzu hromatogrāfijas palīdzību pierāda, ka izelpas gaisā atrodas vairāki simti gaistošu organisku savienojumu [Proc Natl Acad Sci USA 1971]
Gaistošo organisko savienojumi (volatile organic components) mērāmi pikomolārā jeb mol/L koncentrācijā
Pauling L, Robinson AB, Teranishi R, Cary P. Quantitative analysis of urine vapor and breath by
gas-liquid partition chromatography. Proc Natl Acad Sci USA 1971;68:
Phillips M, Herrera J, Krishnan S, et al. Variation in volatile organic compounds in the breath of normal humans. J Chromatogr B Biomed Sci Appl 1999; 729:75–88
Pauling L et al. Quantitative analysis of urine vapor and breath by gas-liquid partition
chromatography. Proc Natl Acad Sci U S A 1971; 68:2374–2376

4. Gaistošie organiskie savienojumi izelpas gaisā
Gāzu hromatogrāfija un masspektrometrija
acetons
pentāns
dimetilsulfīds
oglekļa disulfīds
hidrogensulfīds
acetaldehīds
izoprēns
propanols
izopropanols
toluēns
fenols
u.c., u.c.
izobutāns
metanols
etanols
benzēns
formaldehīds
ksilēns
Pauling L. Quantitative analysis of urine vapor and breath by gas-liquid partition chromatography. Proc Natl Acad Sci USA. 1971;68:2374–2376.
Phillips M. Breath tests in medicine. Sci Am. 1992;267:74– 79.
Gordon SM, O’Neill HJ. Volatile organic compounds in exhaled air from patients with lung cancer. Clin Chem. 1985;31:1278–1282.
Moser B, Bodrogi F, Eibl G, Lechner M, Rieder J, Lirk Ph. Mass spectrometric profile of exhaled breath. Field study by PTR-MS. Respir Physiol Neurobiol 2005;145:
Moser et al. Respir Physiol Neurobiol 2005

5. Gaistošie organiskie savienojumi izelpas gaisā
Gaistošie organiskie savienojumi ir oksidatīvā stresa gala produkti. Mitohondrijos rodas brīvie skābekļa radikāļi, nonāk šūnu citoplazmā, kur reaģē ar olbaltumiem, polinepiesātinātām taukskābēm un DNS. Lipīdu peroksidācijas procesa rezultātā rodas etāns, pentāns u.c. alkāni. Citohroms P450 pārvērš alkānus par metilalkāniem. DNS bojājumi un prokarcinogēnu veidošanās saistīta ar karcinoģenēzi.

6. 27 no 29 pacientiem jeb 93% izdodas diferencēt plaušu vēzi
Izelpas gaisa gāzu hromatogrāfija un masspektrometrijas analīzes dati
Plaušu vēzis
Vesels smēķētājs
Alkāni un metilalkāni. Patoģenētiskais pamatojums ir CYP fermentu aktivitātes palielināšanās vēža šūnās, kas izraisa alkānu un metilalkānu koncentrācijas pieaugumu izelpas gaisā.
27 no 29 pacientiem jeb 93% izdodas diferencēt plaušu vēzi

7. Plaušu vēzis: mirstība un agrīnas diagnostikas nozīme
5 gadu dzīvildze pacientiem ar III stadijas plaušu vēzi 20%
5 gadu dzīvildze pacientiem ar I stadijas plaušu vēzi 70%
Krēpu analīžu, fluorescentās bronhoskopijas un spirāles DT izmantošana
Lam S, Lam B, Petty TL. Early detection for lung cancer: new tools for casefinding. Can Fam Physician 2001; 47:537–544
Mulshine JL, Scott F. Molecular markers in early cancer detection: new screening tools. Chest 1995; 107(suppl):280S–286S
Henschke CI, Yankelevitz DF. CT screening for lung cancer. Radiol Clin North Am 2000; 38:487–495
Lam S et al. Can Fam Physician 2001
Mulshine JL et al. Chest 1995
Henschke CI et al. Radiol Clin North Am 2000

8. Gaistošie organiskie savienojumi: plaušu vēzis
Gaistošie organiskie savienojumi pacientiem ar plaušu vēzi
Butāns *
3-metil-tridekāns
7-metil-tridekāns
4-metil-oktāns
3-metil-heptāns
Heptāns
2-metil-heksāns
Pentāns
5-metil-dekāns
* labākais individuālais diskriminējošais faktors
Philips M et al. Chest 2003

9. Fakts, ka plaušu vēzi iespējams saost
Fakts, ka plaušu vēzi iespējams saost! Bet gāzu hromatogrāfija un masspektrometrija nav pietiekoši labas metodes, ko izmantot klīniskā praksē:
1) dārga aparatūra,
2) sarežģīta tehnoloģija,
3) viens izmeklējums ilgst līdz 1 stundai u.c.
Ideja, ka slimību diagnostikā var izmantot pilnīgi jaunu principu, t.s.mākslīgo degunu.

10. Izelpas gaisa savākšana
1. 5 min. pacients mierīgi ar aizspiestu degunu elpo caur trijzaru vienvirziena vārstu sistēmu (Hans Rudolph Inc., Shawnee, USA)
Viena ieelpa nenodrošina izelpas gaisa attīrīšanos no gaistošo organisko savienojumu piesārņojuma
Dragoniere et al. J Allergy Clin Immunol 2007

11. Izelpas gaisa savākšana
2. Pēc 5 min. pacients veic maksimāli dziļu ieelpu un izelpo polietilēna tereftalāta maisā
Vai izelpas ātrums ietekmē rezultātus?
Izelpas plūsmas ātrums 0.1 – 0.2 L/s and 0.3 – 0.5 L/s neietekmē izelpas gaisa smaržu nospiedumu
Dragoniere et al. J Allergy Clin Immunol 2007

12. h Izelpas gaisa analīze
3. Tūlītēja izelpas gaisa analīze ar e-degunu Cyranose 320 (Smiths Detaction, USA) 5 – 10 min. laikā

13. Izelpas gaisa savākšana analīzei ar eNOSE

14. Elektroniskā deguna darbības princips
Sākotnēji eNOSE reģistrē bazālo pretestību
Ja gaisa sastāvs nemainās sensoru tilpums
saglabājas un pretestība nemainās S1 S2 S3 e- S4
S S S S S S6
All of the polymer films on a set of electrodes (sensors) start out at a measured resistance, their baseline resistance. If there has been no change in the composition of the air, the films stay at the baseline resistance and the percent change is zero.
Electronic noses purely follow the empirical approach, allowing the distinction of ‘smellprints’ obtained from various gaseous sources by pattern recognition, using learning algorithms without the need of knowing the individual molecular components.
Phillips M, Cataneo RN, Cummin ARC, Gagliardi AJ, Gleeson K, Greenberg J, Maxfield R, Rom
WN. Detection of lung cancer with volatile markers in the breath. Chest 2003;123:
Lewis NS. Comparison of mammalian and artificial olfaction based on arrays of carbon black –
polymer composite vapor detectors. Acc Chem Res 2004;37:
Scott SM, James D, Ali Z. Data analysis for electronic nose systems. Microchim Acta 2007;156: S5 S6

15. Elektroniskā deguna darbības princips
The measurement is based on the differential electrical resistance response of multiple sensors (organic polymers) that differ regarding their molecular shape, size, volume, dipole moment and hydrogen binding. Each sensor represents different fractions of the complete VOC-mixture. These arrays exhibit good discrimination performance of VOCs, along with high sensitivity, short response time and reversible behaviour.
Lewis NS. Comparison of mammalian and artificial olfaction based on arrays of carbon black –
polymer composite vapor detectors. Acc Chem Res 2004;37:
Thaler ER, Hanson CW. Medical applications of electronic nose technology. Exert Rev Med
Devices 2005;2:
Gaistošo organisko savienojumu
oglekļa atomi izraisa polimēru sensoru tilpuma palielināšanos
Tas izraisa elektriskās
pretestības pārmaiņas

16. Elektroniskā deguna darbības princips

17. Elektroniskā deguna darbības princips

18. Elektroniskā deguna darbības princips
Parauga atbildes
reakcija uz 32
sensoriem
Relatīvā elektriskā pretestība
Scott SM, James D, Ali Z. Data analysis for electronic nose systems. Microchim Acta
2007;156:
Bazālā līkne
Laiks (sekundes)

19. Elektroniskā deguna darbības princips
Zīdītāja deguns
Elektroniskais deguns
SENSORS
PROCESORS
Ožas
epitēlijs
Ožas
epitēlijs
Ožas zonas CNS
Priekšējais ožas
kodols
Garoza
SMARŽAS
NOSPIEDUMS
OŽAS SAJŪTA
GAROZĀ
Ožas paugurs
Mandeļveida
kodols
Such pattern recognition exactly mirrors biological olfaction in mammals, in which multi-sensitive olfactory
receptor cells appear to be coupled to pattern recognition systems in the brain leading to unique odors
(awarded by the Nobel Prize in 2004).
The odor produced by an electronic nose is the smellprint or the signature of the complex VOC-mixture.
Buck L, Axel R. A novel multigene family may encode odorant receptors: a molecular basis for
odor recognition.Cell 1991;65:
Entorinālā garoza
Axel & Buck, Nobel prize 2004
Lewis, Acc Chem Res 2004;37:

20. Smaržas “nospieduma” analīze
Dferencētā elektriskā pretestība (ΔR/R)
Principiālā komponentanalīze
Kanoniskā diskriminantā analīze

21. Datu statistiskā analīze
Optimālās detektoru kombinācijas atlase ar atpakaļejošā soļa metodi

22. Datu statistiskā analīze
Kolonna
Koeficients
Ticamības
apakšējā
robeža 95 %
augšējā SE
Valda
koef p
Intercepts 1
6.013
-4.434
16.460
5.330
1.273
0.259
6 MAX 2
10.253
0.001
13 MAX 3
4.745
0.029
23 MAX 4
85.194
82.340
8.968
0.003
2 INTEG 5
17.635
6.016
29.255
5.928
8.849
6 INTEG 6
38.537
40.811
8.435
0.004
24 INTEG 7
46.964
8.620
85.308
19.564
5.763
0.016
29 INTEG 8
19.167
6.911
0.009

23. Datu statistiskā analīze
Plaušu vēža diagnozes varbūtība y tika aprēķināta pēc formulas
, kur e naturālā logaritma bāze 2,

24. Plaušu vēža diagnozes varbūtības
PAREDZĒTS  
PATIESAIS
Paredzēts vēzis
Paredzēta cita
diagnoze
Pareizi %
Vēzis 22 3
88.00
Jutība
Citi 4 41
91.11
Specifiskums
84.62
93.18
PPV
NPV
Pozitīvā un negatīvā paredzošā varbūtība %

25. Apstiprinātās un prognozētās diagnozes

26. Analīze ar eNOSE: plaušu vēža diagnostika
Daudzfaktoru logistiskās regresijas analīze
Ķīmisko sensoru reakcijas (signāla maksimāla amplitūda) atšķirības starp plaušu vēža pacientu grupu pret kopējo pacientu grupu, daudzfaktoru loģiskās regresijas analīze.
Diagnozes paredzēšana ar Support Vector Machine ķīmisko multisensoru iekārta uzrāda jutību 100% un specifiskumu 92,6%

27. Diagnozes prognozēšana ar pieciem mākslīgo nieronu modeļiem
Vēzis1
Citi1
Vēzis2
Citi2
Vēzis3
Citi3
Vēzis4
Citi4
Vēzis5
Citi5
Kopā 25 45
Pareizi 20 34 39 15 21 41 22 37
Nepareizi 5 11 6 10 4 3 8
Pareizi (%)
80.0
75.6
86.7
60.0
55.6
84.0
91.1
88.0
82.2
Nepareizi (%)
20.0
24.4
13.3
40.0
44.4
16.0
8.9
12.0
17.8

28. ROC līkne pieciem māklīgā neironu tīkla modeļiem
ROC (reciever Operating Characteristic curve) laukums

29. Datu statistiskā analīze
Aprēķināts optimālais neironu tīkla modelis plaušu vēža diagnostikai
MLP 69: :1

30. Datu statistiskā analīze

31. Analīze ar eNOSE: nākotnes perspektīvas
PLAUŠU VĒZIS
MTS PLAUŠĀS
ASTMA
(arī iekaisuma fenotipi?)
NIERU FUNKCIJAS
MAZSPĒJA
Nākotnes
perspektīvas
KRŪTS VĒŽA
SKRĪNINGS?
ŠIZOFRĒNIJA?
HOPS
CUKURA
DIABĒTS
(glikēmijas
kontrole?)
PNEIMONIJA (etioloģija
tajā skaitā arī tbc)

32. eNose mobilajā?
Applied Nanodetectors Ltd 2009

33. Paldies
par uzmanību!