Investigating the Effects of Vaping on Lung Structure-Function With 129Xe MRI and CT
Notice bibliographique
Résumé
Abstract RATIONALE: Over the past decade, vaping rates among young Canadians have skyrocketed.1 Vaping devices use a heating element to vaporize liquid containing nicotine, tetrahydrocannabinol (THC) or cannabidiol (CBD), and other chemicals, into an inhaled aerosol.2 Traditional pulmonary function tests (PFT) are not sensitive enough to detect early-stage pulmonary abnormalities that may manifest in the small airways,3 however hyperpolarized xenon-129 magnetic resonance imaging (129XeMRI) has detected ventilation and gas exchange abnormalities in asymptomatic cigarette smokers despite normal PFTs.4 We aimed to investigate lung structure-function in people who vape using 129XeMRI and chest computed tomography (CT). METHODS: Participants who reported current vaping nicotine, THC or CBD with <3 former cigarette-pack years and <5 cannabis joint-years and healthy never-smoking age-matched controls underwent pre-bronchodilator PFTs, the Chronic Obstructive Pulmonary Disease Assessment Test (CAT), the St.George's Respiratory Questionnaire (SGRQ), inspiratory chest CT and 129XeMRI. CT was reviewed by a radiologist and quantitatively analyzed (VIDA Insights) for mean lung density. 129XeMRI gas exchange was performed per guidelines5 to measure whole lung ratios of Membrane (Mem)/Gas, red blood cell (RBC)/Membrane, RBC/Gas and ventilation deficit (defect+low ventilation percent).6 Independent samples t-test and Wilcoxon rank-sum tests were used to evaluate measurements between groups. RESULTS: We evaluated 22 vaping (28±4 years, 14-female) and 22 healthy, never-vaping controls (27±6 years, 17-female). Vaping frequency ranged from 1 to 300 times per day, for a duration of 0.25 to 13 years and vaping substance varied (14 nicotine, 5 THC/CBD, 3 both). Vaping participants reported significantly greater CAT score (p=0.021) and SGRQ total score (p=0.025). There were no significant differences in PFT measurements (p>0.1) and negligible qualitative CT patterns. Quantitative CT mean lung density was significantly lower in the vaping group (p=0.01) and ventilation deficit trended higher for the total vaping group (p=0.082). Mem/Gas, RBC/Gas and RBC/Mem were not significantly different (p>0.1). A subset of high-exposure participants (n=14, vaping >8 times per day [median]) revealed a significantly greater ventilation deficit (p=0.021) and lower mean lung density p<0.001). CONCLUSIONS: These pilot findings reveal ventilation abnormalities and decreased CT lung density in participants who vape, potentially due to early small airway dysfunction. Enrollment of vaping participants is ongoing, and longitudinal follow-up will provide insight into potential disease trajectories. To better understand the clinical relationship, further work includes creating a multivariable model to determine lung structure-function predictors of respiratory symptoms. REFERENCES:[1]CTNS(2021).[2]Traboulsi.Int.J.Mol.Sci.(2020).[3]He.IntJChronObstructPulmonDis.(2021). [4]Rao.EurRadiol(2024). [5] Niedbalski.Magn.Reson.Med.(2021).[6]Myc.Thorax.(2021).
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».