通过质子转移反应飞行时间质谱法对呼出气体进行分析，以筛查和诊断燃烧产生的烟雾现象

《BMC Pulmonary Medicine》：Screening and diagnosis of combustion smoking with exhaled breath analysis via proton transfer reaction time-of-flight mass spectrometry

摘要

背景

吸烟是导致肺癌的主要原因之一，即使对于非吸烟者也是如此。由于依赖自我报告以及传统生物标志物测试的侵入性，评估暴露情况（尤其是被动吸烟或二手烟的暴露）颇具挑战性。通过质子转移反应飞行时间质谱法（PTR-TOF-MS）对呼出气体进行分析，提供了一种无创的方法来检测相关的挥发性有机化合物（VOCs）。本研究旨在开发并验证一个基于PTR-TOF-MS的模型，以根据吸烟状况和暴露水平对个体进行分类。

方法

从3942名参与者（主动吸烟者、被动吸烟者和非吸烟者）那里收集了呼出气体样本，使用标准化的离线呼吸采样器进行采集，随后利用高分辨率PTR-TOF-MS进行分析。通过光谱m/z特征对七个机器学习模型进行训练、验证和测试（数据分为6:2:2的比例）。性能评估采用了准确性、敏感性、特异性和曲线下面积（AUC）等指标，并对超参数进行了优化。

结果

研究发现，主动吸烟者、被动吸烟者和非吸烟者的呼出气体中存在不同的VOC谱型，表明PTR-TOF-MS能够检测到不同暴露水平。XGBoost模型表现优异，有效区分了主动吸烟者和非吸烟者，测试集准确率为92.08%（95%置信区间：87.91%–95.17%），敏感性为90.83%（95%置信区间：84.19%–95.33%），特异性为93.33%（95%置信区间：87.29%–97.08%），AUC为0.9678（95%置信区间：0.9438–0.9867）。研究还识别出了关键的区分性质谱特征（m/z值），这些特征形成了与吸烟暴露相关的独特VOC光谱指纹。

结论

结合机器学习的PTR-TOF-MS呼出气体分析方法能够通过独特的VOC特征准确区分主动吸烟者、被动吸烟者和非吸烟者。这种无创方法对不同水平的吸烟暴露具有敏感性，包括被动暴露，具有作为临床研究和公共卫生监测的客观评估工具的巨大潜力。

试验注册

我们的研究于2025年4月30日在中国临床试验注册平台上注册，注册编号为：ChiCTR2500101879。