Trajectory-Informed Breathomics for Dynamic Mapping of Health and Disease: Toward a <i>Health Navigation Framework</i>
Notice bibliographique
Résumé
ABSTRACT Background Most diagnostic frameworks treat disease as static, overlooking its inherently dynamic and continuous progression. Noninvasive biomarkers capable of capturing physiological trajectories are critically needed for proactive health management. Methods We developed a breath-based health navigation framework using exhaled volatile organic compounds (VOCs) as integrative, real-time indicators of systemic metabolism and immunity. Breath profiles were collected from healthy individuals and patients with nonalcoholic steatohepatitis (NASH, recently redefined as metabolic dysfunction–associated steatohepatitis, MASH), hepatocellular carcinoma (HCC), and periodontitis (PD). Multidimensional analysis and trajectory-informed mapping were applied to project individual health states into a low-dimensional physiological space. Results Ratio-normalized VOC profiles revealed disease-specific metabolic signatures across P450-derived and microbiota-derived compounds. Machine learning achieved high diagnostic accuracy for distinguishing health, NASH, HCC, and PD, while dimensionality reduction and topological analysis visualized a continuous progression from health to advanced liver disease. This approach captured preclinical shifts and transitional states often missed by static diagnostics. Conclusions Exhaled VOCs can serve as dynamic biomarkers for mapping health–disease transitions. By offering clinicians an intuitive map to locate patients within the health–disease continuum and anticipate their trajectories, this framework enables proactive decision-making and personalized intervention strategies. Collectively, our work points toward a paradigm shift in disease monitoring, with future integration into portable sensing technologies for noninvasive, continuous health-state assessment.
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) | 0,001 | 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 | 0,001 |
| 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 ».