Late Breaking Abstract - Assessing Inflammatory Response to Air Pollution via VOCs in Exhaled Breath
Notice bibliographique
Résumé
Air pollution, particularly particulate matter less than 2.5 μg/m³ (PM2.5), is classified as a Group 1 carcinogen and contributes to lung cancer and respiratory diseases. Lung inflammation is a response to pollutants, releasing volatile organic compounds (VOCs) in breath, which could serve as non-invasive markers for assessing inflammation. This randomized double-blind crossover study examined breath VOCs over 24 hours following acute high exposure to PM2.5 in 20 non-smoking, healthy individuals. Participants underwent two separate exposures in the UBC Air Pollution Exposure Lab booth: 300 μg/m³ of PM2.5 from a diesel engine, and to filtered air, spaced a minimum of six weeks apart. Breath collected using Breath Biopsy® before exposure, immediately after, and at 0.5, 1, 3, 6, and 24 hours post-exposure. Samples were analysed by GC-MS, both untargeted and targeted analyses was conducted. iData analysis included univariate analysis and multivariate techniques such as ANOVA simultaneous component analysis (ASCA). ASCA revealed a significant effect of exposure type (300 μg/m³ PM2.5 vs. sham, p < 0.01) and a significant interaction (p < 0.05) between post-exposure time and exposure type. From targeted analysis, inflammation-related compounds significantly increased in individuals exposed to PM2.5 compared to controls. From untargeted analysis, 12 VOCs significantly increased in breath of the 300 μg/m³ PM2.5 group, which diminished in samples collected 24 hours post-exposure. A distinct breath VOC profile is detectable in individuals exposed to inflammation triggers, suggesting that breath VOCs may detect acute airway inflammation and assess respiratory diseases secondary to air pollution.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».