BREVOC 연구: 응급실에서 고위험 흉통 환자를 위한 호기 중 휘발성 유기 화합물 (BREVOC)

1. 연구 배경 정밀의학 개념이 도입된 이후, 임상 진단 기술의 혁신과 최적화는 의학 연구의 핵심 주제가 되었습니다. 전통적인 진단 방법(영상, 혈액학, 조직학 등)은 종종 침습적 절차에 의존합니다. 이러한 기술은 높은 정확도의 진단 정보를 제공할 수 있지만, 높은 비용, 복잡한 운영, 환자에게 잠재적인 위해 가능성을 동반하여 신속한 선별검사와 동적 모니터링에는 적합하지 않습니다. 따라서 비침습적이고 신속하며 비용 효율적인 진단 기술의 개발은 현대 의학의 시급한 필요가 되었습니다.

가장 대사 활성이 높은 장기 중 하나인 폐는 신체 조직에서 생성된 대사산물을 혈류로 교환한 후 이를 호기로 내보냅니다. 따라서 호기된 숨은 신체의 생리적 및 병리적 상태를 반영할 수 있습니다. 역사적으로 의사들은 체취 변화를 통해 특정 질병을 식별했습니다(예: 당뇨병성 케톤산증에서의 "썩은 사과" 같은 과일향 또는 간질환 환자에서의 비린내). 당시에는 이러한 냄새의 기저를 이루는 특정 화학 성분이 알려지지 않았습니다. 1971년 폴링 등이 처음으로 기체 크로마토그래피를 인간 호기 분석에 적용하여 수백 가지의 휘발성 유기 화합물(VOC)을 확인함으로써 호기 분석 기술의 기초를 마련했습니다.

급성 흉통은 응급실에서 가장 흔한 증상 중 하나로, 다양한 원인과 다양한 예후를 보입니다. 급성 관동맥 증후군(ACS), 급성 폐색전증(APE), 급성 대동맥 증후군(AAS)과 같은 여러 생명을 위협하는 심혈관 응급 상황은 일반적으로 급성 흉통을 동반하며 응급 상황에서 신속한 진단과 치료가 필요합니다. 그러나 모든 흉통 사례가 고위험은 아닙니다. 상당 부분의 환자(예: 늑간신경통 환자)는 양호한 결과를 보이며 광범위한 진단 검사나 모니터링이 필요하지 않습니다. 따라서 정확한 위험 분류는 매우 중요합니다: 고위험 흉통의 신속한 인식과 관리, 동시에 저위험 사례에서의 과잉 치료를 피하는 것은 공중보건을 보호하고 의료 부담을 줄이는 데 필수적입니다.

최근 몇 년간 호기된 VOC의 호기 분석은 질병 초기 진단 및 선별을 위한 독특한 바이오마커 기반 도구로 점점 더 많은 관심을 받고 있습니다. VOC는 환경에 존재할 뿐만 아니라 인간 대사 과정을 통해 생성되는 고휘발성 유기 분자입니다. 내인성 대사산물로서 VOC는 건강 상태와 질병 진행을 반영합니다. 비침습적 검출과 높은 민감도 덕분에 VOC는 조기 진단, 맞춤형 치료, 질병 모니터링에서 큰 가능성을 보여줍니다. 전통적인 바이오마커 분석과 비교하여 호기 분석은 독특한 장점을 제공합니다. 단일 분자를 검출하는 대신 VOC 분석은 분자 패턴을 식별하여 더 포괄적이고 정확한 진단 정보를 제공할 수 있습니다. 현재 증거는 VOC와 암, 호흡기 질환, 당뇨병을 포함한 다양한 질병 사이의 강력한 연관성을 입증하여 정밀의학에서의 가치를 부각시켰습니다.

정밀의학은 환자 특이적 생물학적 특성에 맞춘 개별화된 치료 전략을 강조합니다. 이러한 틀 안에서 생리적 및 병리적 상태의 바이오마커로서 VOC는 급성 흉통의 조기 진단, 선별 및 모니터링에서 상당한 임상적 가치를 가질 수 있습니다. 그러나 급성 흉통에 대한 호기 분석 연구는 여전히 제한적입니다. Marzoog 등은 기계 학습 모델을 사용하여 VOC가 허혈성 심장병 환자와 대조군을 구별할 수 있음을 입증하여 급성 심인성 흉통에서 호기 분석의 잠재적 적용 가능성을 시사했습니다. 2024년 중국 흉통 합의는 지방 알데히드와 같은 새로운 대사 마커를 흉통 평가 시스템에 통합할 것을 제안했습니다. 그럼에도 불구하고 호기된 VOC에 대한 표준화된 연구는 여전히 부족합니다.

따라서 본 연구는 호기 VOC 검출을 적용하여 고위험 급성 흉통 환자를 식별하고, VOC 프로필 데이터베이스를 구축하며, 동적 VOC 변화의 예후적 가치를 평가하는 것을 목표로 합니다. 이 연구는 처음으로 고위험 급성 흉통의 VOC 프로필을 체계적으로 규명하고, 동적 변화를 분석하며, 환자 예후를 위한 VOC 기반 예측 점수 모델을 구축할 것입니다. 이러한 노력은 고위험 급성 흉통에서 개별화된 치료, 질병 모니터링 및 관리를 위한 새로운 전략을 제공할 것으로 기대됩니다.

2. 연구 목표

1. 바이오마커 식별: 고위험 급성 흉통 환자를 위한 VOC 프로필을 확립하고 다른 흉통 원인과 구별합니다. 알데히드 검출: 고위험 흉통에서 호기 알데히드 검출의 역할을 탐구합니다; VOC를 사용한 조기 진단 모델을 구축 및 검증하여 응급 분류를 최적화합니다.

2. 예후 평가: 고위험 흉통 환자의 병원 내 사망률 및 주요 심혈관 이상 사건(MACE)에 대한 VOC 농도 변화의 예측 가치를 평가합니다.
3. 새로운 지표: 기존 바이오마커보다 우수한 새로운 진단 마커 조합을 탐구합니다.

3. 연구 방법 연구 설계 본 연구는 전향적 코호트 연구로 설계되었습니다. 3.1 연구 장소 및 참여자 연구는 산둥대학교 치루병원의 응급실(ED), 응급 중환자실(EICU), 중환자실(ICU)에서 수행됩니다. 적격 참여자에는 ED에 급성 흉통을 주소로 내원한 모든 환자가 포함됩니다.

3.2 연구 결과

1. 주요 결과: 고위험 및 저/중위험 흉통 간의 구별, 수신자 조작 특성 곡선 하 면적(AUC-ROC), 민감도 및 특이도로 평가됩니다.

2. 부차적 결과:

   1. 오진률(모델에 의해 고위험 환자가 저/중위험으로 오분류된 비율).
   2. 모델 기반 분류 하의 ED 체류 시간 및 의료 비용.

   3. 병원 내 사망률 및 MACE 발생률. 3.3 통계 분석 데이터 정확성을 보장하기 위해 이중 입력 검증이 포함된 Excel 데이터베이스를 구축합니다. 데이터는 R 소프트웨어(버전 4.3.2)를 사용하여 분석되며, 양측 유의 수준 α = 0.05(통계적 유의성은 P < 0.05)를 적용합니다.

      1. 기술적 분석: 기초 특성 및 VOC 농도가 요약됩니다. 범주형 변수는 빈도 또는 백분율로 표현됩니다. 정규 분포 또는 근사 정규 분포를 보이는 연속 변수는 평균 ± 표준 편차(SD)로 제시됩니다. 비대칭 데이터는 중앙값(P25, P75)으로 보고됩니다. 군간 비교는 적절한 경우 독립 표본 t-검정, 일원 분산 분석(ANOVA), Mann-Whitney U 검정 또는 Kruskal-Wallis 검정을 사용합니다. 범주형 변수는 카이제곱(χ²) 검정 또는 Fisher의 정확 검정을 사용하여 분석됩니다.
      2. 특징 선택: 특징적인 VOC를 선별하고 기계 학습 방법을 사용하여 VOC 점수 모델을 개발합니다.
      3. 예후 분석: 예후 인자는 Cox 비례 위험 회귀를 사용하여 평가됩니다.
      4. 궤적 분석: VOC 농도 역학을 모델링하여 시간적 패턴을 탐구합니다.