Detection of hypoglycaemia in type 1 diabetes through breath volatile organic compound profiling using gas chromatography–ion mobility spectrometry
Erkennung von Hypoglykämie bei Typ-1-Diabetes durch Analyse flüchtiger organischer Verbindungen in der Ausatemluft mit Gaschromatographie–Ionenmobilitätsspektrometrie
Diabetes, Obesity and Metabolism · 2024-12 · 26 (12) · 5737-5744
DOI: 10.1111/dom.15944 ↗Auf einen Blick
Bei 10 Personen mit Typ-1-Diabetes wurden induzierte hypoglykämische und andere glykämische Zustände anhand von Ausatemluft-VOCs untersucht. Die Modelle klassifizierten die glykämischen Zustände mit hoher Genauigkeit.
Fragestellung
Lassen sich glykämische Zustände und Hypoglykämie bei Typ-1-Diabetes über VOC-Profile der Ausatemluft mit GC-IMS erkennen?
Methode
10 Personen mit Typ-1-Diabetes; induzierte Hypoglykämie im klinischen Setting; Atemproben alle 10–15 Minuten; Analyse mit GC-IMS, Korrelationen und Machine-Learning-Modellen (PLS-DA, SVM).
Ergebnisse
Es zeigten sich moderate Korrelationen zwischen einzelnen VOCs, z. B. Isopren und Aceton, und venösem Blutzucker. Das beste Zwei-Klassen-PLS-DA-Modell erreichte 93 % Genauigkeit, 92 % Sensitivität und 94 % Spezifität.
Einschränkungen
Sehr kleine Stichprobe; die Autor:innen betonen, dass Gesamt-VOC-Muster wichtiger sind als einzelne Verbindungen.
Schlussfolgerung der Autor:innen
Die Studie zeigt das Potenzial von Ausatemluft-VOCs, glykämische Zustände bei Typ-1-Diabetes genau zu klassifizieren. GC-IMS könnte eine nicht-invasive Methode zur Überwachung glykämischer Zustände sein.
Kernaussagen
- Moderate Korrelationen zwischen einzelnen VOCs und venösem Blutzucker
- Bestes Modell: 93 % Genauigkeit, 92 % Sensitivität, 94 % Spezifität
- Isopren, Aceton und 2-Butanon als wichtige Biomarker identifiziert
Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.
Kurz gefasst
Fachartikel in der Zeitschrift Diabetes, Obesity and Metabolism, online erschienen am 16.09.2024. Verfasst von Cléo Nicolier und 7 weiteren Autor:innen. Beteiligte Einrichtung: Department of Diabetes, Endocrinology, Nutritional Medicine and Metabolism, Inselspital, Bern University Hospital, University of Bern, Bern, Switzerl…. Hauptthemen laut MEDLINE: Diabetes Mellitus, Type 1, Volatile Organic Compounds, Breath Tests, Hypoglycemia. Die Arbeit wurde bisher 25-mal zitiert (Crossref) und nennt 42 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY-NC 4.0). Gefördert von: University of Bern, Diabetes Center Berne.
Themen: Diabetes mellitus, Mobilisation
Abstract (Originalsprache)
Aim
To evaluate the relationship between breath volatile organic compounds (VOCs) and glycaemic states in individuals with type 1 diabetes (T1D), focusing on identifying specific VOCs as biomarkers for hypoglycaemia to offer a non‐invasive diabetes‐monitoring method. Materials and Methods Ten individuals with T1D underwent induced hypoglycaemia in a clinical setting. Breath samples, collected every 10‐15 minutes, were analysed using gas chromatography–ion mobility spectrometry (GC‐IMS). Correlation analysis and machine learning models, including Partial Least Squares Discriminant Analysis (PLS‐DA) and Support Vector Machine classifiers, were used to classify glycaemic states based on VOC profiles.
Results
Statistical analysis revealed moderate correlations between specific VOCs (e.g. isoprene, acetone) and venous blood glucose levels. Machine learning models showed high accuracy in classifying glycaemic states, with the best performance achieved by a two‐class PLS‐DA model showing an accuracy of 93%, sensitivity of 92% and specificity of 94%. Key biomarkers identified included isoprene, acetone, 2‐butanone, methanol, ethanol, 2‐propanol and 2‐pentanone.
Conclusions
This study shows the potential of breath VOCs to accurately classify glycaemic states in individuals with T1D. While key biomarkers such as isoprene, acetone and 2‐butanone were identified, the analysis emphasizes the importance of using overall VOC patterns rather than individual compounds, which can be markers for multiple conditions. Machine learning models leveraging these patterns achieved high accuracy, sensitivity and specificity. These findings suggest that breath analysis using GC‐IMS could be a viable non‐invasive method for monitoring glycaemic states and managing diabetes.
Schlagwörter
MeSH-Schlagwörter (MEDLINE)
Stichwörter der Autor:innen
Substanzen
Autor:innen und Institutionen
- Department of Diabetes, Endocrinology, Nutritional Medicine and Metabolism, Inselspital, Bern University Hospital, University of Bern, Bern, Switzerland.
- Diabetes Center Berne, Bern, Switzerland.
ORCID-Profile: Cléo Nicolier, Juri Künzler, Stefanie Hossmann, Martina Rothenbühler, Markus Laimer, Lilian Witthauer
Förderung
- University of Bern
- Diabetes Center Berne
Zitieren
APA
Nicolier, C., Künzler, J., Lizoain, A., Kerber, D., Hossmann, S., Rothenbühler, M., Laimer, M., & Witthauer, L. (2024). Detection of hypoglycaemia in type 1 diabetes through breath volatile organic compound profiling using gas chromatography–ion mobility spectrometry. Diabetes, Obesity and Metabolism, 26(12), 5737-5744. https://doi.org/10.1111/dom.15944
Vancouver
Nicolier C, Künzler J, Lizoain A, Kerber D, Hossmann S, Rothenbühler M, et al. Detection of hypoglycaemia in type 1 diabetes through breath volatile organic compound profiling using gas chromatography–ion mobility spectrometry. Diabetes, Obesity and Metabolism. 2024;26(12):5737-5744. doi:10.1111/dom.15944
BibTeX
@article{Nicolier2024,
author = {Nicolier, Cléo and Künzler, Juri and Lizoain, Aritz and Kerber, Daniel and Hossmann, Stefanie and Rothenbühler, Martina and Laimer, Markus and Witthauer, Lilian},
title = {Detection of hypoglycaemia in type 1 diabetes through breath volatile organic compound profiling using gas chromatography–ion mobility spectrometry},
journal = {Diabetes, Obesity and Metabolism},
year = {2024},
volume = {26},
number = {12},
pages = {5737--5744},
doi = {10.1111/dom.15944}
}
EUVIMED