alat inovatif untuk penilaian penggunaan tembakau

atau eksposur. Sebuah studi percontohan pada orang dewasa muda

Abstrak

Karya ini merupakan pendekatan baru yang menggunakan kotoran telinga (cerumen) untuk evaluasi
merokok.status berkaitan dengan penggunaan / paparan tembakau. Metodememanfaatkan perbedaan
profil konsentrasinikotin dan senyawa terkait dalam kotoran telinga untuk membedakanantara perokok
non-pasif, dan aktif. Tahi telingasampel dikumpulkan dari tiga kelompok studi (non-
pasif, dan perokok aktif) dan dianalisis dengan kromatografi gas headspace-spektrometri massa. Itu
Tingkat nikotin dalam kotoran telinga jauh lebih rendah dari pada cotinine tingkat, bahkan untuk perokok
aktif; Namun, dilaporkan bahwa tingkat nikotin pada rambut kulit kepala jauh lebih tinggi daripada
tingkat cotinine. Karena itu, jelas benar itu kotoran telinga terlindungi dari kontaminasi eksternal yang
lebih besar dari yang diharapkan.

Profil konsentrasi nikotin dan senyawa terkait (o-nikotin, cotinine, dan anabasine)
pada sampel kotoran telinga yang dianalisis diobati dengan teknik data Adalah mungkin untuk
mendiskriminasimempelajari kelompok menggunakan algoritma pohon evolusioner (evtree)
dan mendukung analisis diskriminan mesin vektor sebagai model statistik dengan akurasi diskriminasi
terbaik masing 96,7 dan 95,0%. AnalitisMetode yang diterapkan tidak memerlukan pretreatment sampel
memudahkan, cepat, dan metode alternatif murah mereka menggunakan matriks biologi lainnya, seperti
darah, urin, dan rambut. gendang telinga, yang dianggap sebagai Sekresi tubuh alat yang berguna untuk
menentukan paparan asap rokok non invasiv dan tanpa pengaruh kontaminasi eksternal
Kata kunci Earwax (cerumen)? Spesimen alternatif?
Status merokok Cotinine? Anabasine? GC-MS

pengantar
Menurut Organisasi Kesehatan Dunia (WHO),tembakau membunuh sekitar 6 juta orang setiap tahun, Dari
5 juta kematian tersebut adalah hasil langsung penggunaan tembakau. Lebih dari 600.000 non-perokok
terpapar Asap tangan kedua sekarat di seluruh dunia [1]. Tidak adaTingkat keterpaparan yang aman
terhadap asap rokok bekas, karena efek merokok tidak terbatas pada nikotin, tapi juga terkait dengan
berbagai zat beracun akibat pembakaran tembakau. Masih ada lagi dari 4000 bahan kimia dalam asap
rokok, setidaknya 250 dari yang diketahui berbahaya dan lebih dari 50 di antaranya diketahui
menyebabkan kanker [2]. Mengingat merokok dapat merusak Kesehatan, merokok berhubungan dengan
kejadian paru-paru, dan kanker esofagus, bronkitis kronis, dan miokard
infark [3].
Akhir-akhir ini, telah terjadi peningkatan permintaan untuk laboratorium analisis untuk menilai paparan
tembakau, terutama untuk pasien yang menjalani penghentian merokok atau untuk anak-anak,
wanita hamil, dan lansia dengan lingkungan yang dicurigai paparan asap rokok Analisis ini adalah
juga berlaku untuk pekerja yang terlibat dalam penanaman tembakau,
karena penyerapan nikotin pada kulit dapat terjadi

Untuk memantau penggunaan tembakau atau paparan nikotin, Nikotin adalah bahan kimia utama
dalam rokok dan utamanya metabolit digunakan sebagai biomarker [5-8].
Dengan cepat dimetabolisme di hati oleh enzim CYP2A6 dengan waktu paruh 2 jam,
menghasilkan cotinine metabolit utamanyadengan waktu paruh yang lebih lama sekitar 16 jam
[9-11], sementara Hanya 10-20% dari semua nikotin yang dihirup diekskresikan ke dalam urin
dalam bentuk tidak berubah [12].
Alkaloid tembakau, seperti anabasine, anatabine dan nornicotine, dan metabolit nikotin dapat
digunakan untuk menunjukkan eberapa banyak paparan langsung melalui kebiasaan merokok
atau mengunyah tembakau [13]. Kehadiran anabasin dalam cairan biologis merupakan indikator
penggunaan tembakau aktif, karena tidak ditemukan Pada sampel biologis, dapat diperoleh dari
pasien yang menggunakan nikotin terapi pengganti, seperti patch, gum, inhaler, atau nasal
semprot [14].Secara tradisional, darah, air liur, urin, dan yang terakhir, rambut
adalah matriks biologis umum untuk pengukuran biomarker ini. Matriks ini, kecuali rambut,
tunjukkan beberapa keterbatasan. Misalnya, rendahnya tingkat biomarker, seperti
cotinine, pada perokok pasif, membuat mereka terkadang sulit untuk mendeteksi [15].
Keterbatasan lainnya adalah ketidakstabilan biomarker, menyebabkan kehilangan mereka selama
penyimpanan dan analisis Prosedur. Selain itu, pengukuran darah relatif
invasif, dan bisa sulit, terutama pada populasi anak-anak atau dalam studi yang melibatkan
sejumlah besar subjek.
Uji saliva mengalami masalah gangguan Karena makanan residu, konsumsi makanan berat, pasti
jenis makanan, alkohol, kafein, dan bahkan permen karet sebelumnya. pengujian, yang dapat
menyebabkan perubahan pada tingkat biomarker.
Beberapa masalah ini sebagian diatasi pada rambut, amatriks keratinik, yang bisa memberikan
ukuran kumulatif dan paparan jangka panjang (1-3 bulan) selain menjadi
non-invasif dan menawarkan stabilitas senyawa target [16]. Titik lemah analisis rambut adalah
antar individu variabilitas dan variasi pengukuran karena rambutperawatan, dan kontaminasi
eksternal yang sulit hapus bahkan dengan mencuci rambut [16].
Earwax (cerumen) telah terbengkalai sebagai sekresi tubuhuntuk waktu yang lama sampai saat
ini; telah ditemukan bahwa hal itu dapat menyampaikan informasi penting tentang individu,
termasuk ras, etnis, jenis kelamin, penyakit, makanan
dimakan dan terpapar polutan lingkungan sekitarnya[17]. Dalam penelitian terbaru kami, kotoran
telinga terbukti berhasil di diagnosa diabetes, termasuk diferensiasi
antara tipe 1 dan 2 dengan menggunakan perubahanterdeteksi pada profil senyawa organik
volatil (VOC [18]. Ini juga telah digunakan dalam aplikasi forensik sebagai a matriks
pemantauan biologis untuk kehadiran obat – obatan penyalahgunaan atau kejahatan yang
difasilitasi obat-obatan terlarang [19]. Daun telinga yang terbentuk di saluran telinga eksternal
tersusun dari campuran sekresi viskos dari kelenjar sebaceous
'' Kelenjar keringat dimodifikasi apokrin '' [20]. Yang utamakomponen kotoran telinga adalah
lapisan kulit, dengan 60% dari kotoran telinga yang terdiri dari keratin, 12-20% jenuh dan
asam lemak rantai panjang tak jenuh, alkohol dan squalene, dan 6-9% kolesterol [20].
Mekanisme dimana molekul obat berada dikeringat, mengingat kotoran telinga itu sekresi
kelenjar ceruminous, yang merupakan kelenjar keringat khusus. Mereka
termasuk difusi pasif dari darah ke jaringan melaluiselaput yang mengelilingi kelenjar keringat
dan transdermal migrasi di seluruh kulit [21]. Jendela waktu diperkirakan
Agar obat sampai di permukaan sangat luas; ituKelenjar keringat eccrine mengangkut obat ke
permukaan kulit dalam beberapa jam sementara sel kelenjar sebaceous melepaskan
obat dalam beberapa hari sampai seminggu setelah mereka pecah.
Di sisi lain, kotoran telinga dianggap keratinikmatriks, seperti rambut dan kuku yang pada
dasarnya terdiri darikeratin [22], menunjukkan mekanisme penggabungan yang sama
nikotin, metabolitnya, dan analognya menjadi Serat keratin melalui sirkulasi darah, sehingga
obat dimasukkan ke dalam kotoran telinga karena disekresikan dan terakumulasi di dalam
telinga.Sampel Earwax bisa menguntungkan rambut, karena bisa mendeteksi obat yang baru saja
diberikan (dalam minggu), serta obat-obatan yang diberikan beberapa bulan sebelumnya,dan
pada saat yang sama, Dilindungi di dalam saluran telinga, tidak seperti rambut. Rambut bisa
Digunakan untuk memantau penggunaan narkoba hanya selama beberapa minggu sampai
berbulan-bulan kembali pada waktunya dan sepenuhnya terpengaruh oleh perawatan rambut dan
kontaminasi eksternal Dengan demikian, pekerjaan saat ini bertujuan untuk pemantauan yang
berbedaprofil kuantitatif nikotin dan beberapa yang terkait senyawa (cotinine, metabolit utama
nikotin, o-nikotin,dan anabasine, senyawa coexisting dalam asap tembakau ) sebagai biomarker
yang terbiasa dengan mudah membedakan individu tidak terkena asap rokok dari orang yang
terpapar pasif (perokok pasif) atau pengguna tembakau masa lalu dari mereka.
Penelitian dilakukan pada remaja berusia 18-35 tahun di Goiania, Brasil, untuk menilai
penggunaan nikotin danmetabolitnya dalam kotoran telinga sebagai penanda penggunaan
tembakau aktifdan paparan pasif terhadap asap tembakau. Sebanyak 61
peserta direkrut, dibagi dalam tiga kelompok: (1) perokok harian yang dilaporkan sendiri (25
individu), (2) bukan perokok secara teratur terkena asap rokok (20 individu)
(yaitu, bukan perokok yang tinggal dengan perokok atau sedang terkena asap tembakau di tempat
kerja), dan (3) bukan perokokdengan paparan asap tembakau yang terbatas (16
individu).Protokol studi disetujui oleh komite etik lokal
di Universidade Federal de Goia (UFG), Brasil dan mereka diberikan informed consent dari
individu yang setuju untuk berpartisipasi dalam belajar. Kuesioner rinci digunakan untuk
mengumpulkan informasi(mis., usia, jenis kelamin, ras / etnis, riwayat merokok dan
paparan asap tembakau). Perokok harian yang dilaporkan sendiri ditanya tentang jumlah rokok
yang dihisap per hari (keduanya diproduksi dan digulung tangan). Informasi tentang
Subjek yang terlibat dalam penelitian ini tercantum dalam Tabel 1.
Kriteria inklusi dan eksklusi Subjek dewasa muda berusia 18-35 tahun, semua ras campuran
dikenal secara resmi di masyarakat Brasil sebagai pardo atau morenodan asal etnis Hispanik atau
Latin, terdaftar di Indonesia studi untuk menghilangkan pengaruh perbedaan rasial / etnis
pada konsentrasi biomarker yang terdeteksi. Aktif kelompok perokok, subyek yang melaporkan
bahwa mereka merokokreguler dan harian disertakan. Wanita hamil dikecualikan karena
pengambilan dan metabolisme nikotin dipengaruhi oleh kehamilan [23].
Koleksi sampel Sampel dikumpulkan langsung dari telinga relawan menggunakan kuret plastik
dan dipindahkan ke tabung Eppendorf, yang segera ditutup dan disimpan dalam-dalam
freezer di -20? C, tersedia di tempat pengumpulan, dan disimpan disana sampai dianalisis.
Persiapan sampel (20 mg) ditimbang secara akurat dandipindahkan ke dalam botol 20 mL GC,
dan 0,2 lL 3-metil sikloheksanon ditambahkan sebagai standar internal (IS). Itu
botol tertutup rapat dengan polytetrafluoroethylene ketat gas- dilapisi topi karet septum Analisis
biasanya dilakukan dalam waktu 7 hari setelah pembekuan.Untuk persiapan sampel kalibrasi,
gabungan larutan stok standar dari senyawa yang diteliti adalah disiapkan dalam etanol pada
konsentrasi 1 mg / mL masing-masing.Kemudian sampel blanko kotoran tertutup (20 mg)
dibubuhi dengan 1 lL berbagai pengenceran standar gabungan solusi stok dan dengan IS, dan
kemudian dirawat untuk dibangun Kurva kalibrasi setara dengan 0,5-50 ng / mg kotoran telinga
untuk masing senyawa yang diteliti.Untuk validasi metode, kurva kalibrasi dibuat
dalam rangkap dua dalam rentang yang ditentukan, dan kalibrator disiapkan dengan cara yang
sama pada konsentrasi setara dengan 0,5, 5, dan 50 ng / mg kotoran telinga untuk diselidiki
senyawa (rendah, tengah, dan tinggi).Analisis laboratorium HS / GC-MS digunakan dalam
analisis sampel kotoran telinga menggunakan helium dengan kemurnian tinggi (99,999%)
sebagai gas pembawa dengan laju alir konstan 1,0 mL / menit. Sistemnya tersusun
dari Shimadzu GCMS-QP2010 Ultra dan Shimadzu
AOC-5000 headspace analyzer (Shimadzu, Kyoto, Jepang) yang dilengkapi dengan jarum suntik
gas 2500 lL, sebuah VT32-20 nampan untuk botol standar 20 mL (Sistem PAL, Zwingen,
Swiss) dan modul pra-pemanasan tambahan LHS Combi PAL Liquid untuk enam botol dengan
kontrol suhu dan waktu pemanasan (PAL System). Pemanasan awal
modul diatur pada kecepatan agitasi 500 rpm, agitasi pada waktu 5 detik, agitasi off time 5 s, dan
suhu inkubasi 1600 C. Untuk kromatografi, sebuah kapiler analitikkolom NST-100 (25 m 9 0,25
mm i.d., ketebalan film 0,3 lm) (NST, Sa~o Paulo, Brazil) dengan polietilena
fasa stasioner poliamina berbasis glikol digunakan.
Program suhu GC dimulai pada suhu 30 ° C (tahan untuk
5 menit), dan meningkat pada 2? C / menit sampai 45 ° C (tahan untuk
5 menit), kemudian pada tingkat yang sama dengan 50 ° C (tahan selama 5 menit), dan
kemudian ke 120 ° C, diikuti dengan kenaikan pada 6 ° C / menit ke
200 ° C (tahan selama 5 menit), dan akhirnya di 5? C / menit sampai
250 ° C (tahan selama 10 menit). Sampel headspace disuntikkan pada GC-MS di
mode splitless. Parameter sampler headspace yang digunakan
syringe temperature 150 ° C, isi volume dan injeksi Volume keduanya 2500 lL, isi kecepatan 100
lL / s, kecepatan injeksi 500 lL / s, waktu pra-hangat 10 menit, waktu equilibrasi 5 menit,
syringe pembilasan waktu 1 menit, dan waktu reflush dan post-flush
waktu 0 ms. Spektrometer massa dioperasikan dalam ionisasi elektron
(EI) pada 70 eV dengan waktu cut-off awal untuk MS rekaman 0 menit Akuisisi data dilakukan
di full scan mode dari m / z 40 sampai 500 dengan waktu pemindaian0,3 s. Hasil pemindaian
digunakan untuk menentukan mayor fragmen dari senyawa paling penting untuk digunakan
dalam mode SIM, dengan tujuan meningkatkan sensitivitas dan selektifitas metode untuk
senyawa yang diminati. Kuantifikasi didasarkan pada rasio area puncak target
senyawa ke IS. Ion dipantau untuk kuantifikasi adalah mereka yang berada di m / z 84 untuk
nikotin, o-nikotin dan anabasine,m / z 98 untuk cotinine, dan pada m / z 69 untuk 3-metil
sikloheksano. Biomarker yang diminati awalnya pertama kali diberi catatan
dalam sampel kotoran dengan membandingkan spektrum massanya dengan
NIST11 (Institut Nasional Standar dan Teknologi, Gaithersburg, MD, USA) spektral massa
perpustakaan dengan pencocokan C80%, diikuti dengan membandingkan
spektrum massa dan waktu retensi dengan referensi standar untuk konfirmasi lebih lanjut.
Validasi metode Metode ini divalidasi menurut pedoman ICH
termasuk linearitas, akurasi, presisi, efek matriks, dan efek carry-over. Analisis statistik
Setelah dekonvolusi dan integrasi puncak, GC-MS Matriks data dimuat ke MATLAB R2014b
(The MathWorks, Natick, MA, USA), PLS Toolbox 7.9
(Eigenvector Research Inc., Manson, WA, USA) dan R
perangkat lunak paket untuk melakukan analisis multivariat. Untuk meminimalisasi bias statistik
yang dihasilkan dari yang berbeda besaran komposisi relatif berbeda metabolit, kumpulan data
rasio area puncak adalah autoscaled sebelum analisis statistik. Model regresi multivariat
termasuk analisis komponen utama (PCA), robust PCA (RPCA), analisis diskriminan parsial
kuadrat terkecil (PLSDA) dan pemodelan independen lembut analogi kelas
(SIMCA), serta multivariat regresi linier (MLR), dicoba dulu Lalu, teknik data mining berbasis
pada model klasifikasi dan regresi pohon evolusioner(evtree) algoritma dan dukungan mesin
vektor diskriminan analisis (SVMDA) digunakan untuk menilai kumpulan data
dan tentukan apakah tanggapannya bisa akuratdigunakan untuk memprediksi apakah seseorang
adalah milik nonkategori perokok pasif atau aktif dan untuk mencapai global
pemisahan profil antar antar kelompok dengan memaksimalkanvariasi sistematis diantara ketiga
kelompok.Support vector machine (SVM) adalah mesin yang diawasi
Algoritma pembelajaran yang bisa digunakan untuk menyelesaikan nonlinier klasifikasi dan
masalah regresi. SVM memungkinkan pemetaan vektor sampel menjadi tinggi nonlinier
dimensi fitur ruang, di mana sampel dapat dipisahkan oleh hyperplane yang optimal [25, 26].
Klasifikasi dan regresi pohon melakukan partisi rekursif ruang variabel untuk meminimalkan
misklasifikasi, sebagaidiimplementasikan dalam paket R evtree.hasil dan Diskusi Struktur dan
spektrum massa biomarker senyawa untuk merokok Sampel yang diperoleh dari peserta semua
kelompok tersebutdianalisis dengan HS / GC-MS. Biomarker yang paling penting senyawa yang
terdeteksi dan diidentifikasi pada contoh kotoran telingaPerokok adalah nikotin, o-nikotin
(analog nikotin), cotinine (metabolit utamanya) dan anabasin. Bahan kimia struktur dan
spektrum massa EI dari senyawa yang ditelitiditampilkan pada Gambar 1.
Metode validasi data Pada Tabel 2, hasil validasi metode dirangkum.
Dalam item validasi kami, tingkat pemulihan kurang,Karena ini adalah ekstraksi headspace dan
juga ekstraksidari bahan padat seperti halnya untuk analisis rambut. Namun, linearitas yang baik
dari kurva kalibrasi dengan koefisien determinasi lebih besar dari 0,99
diperoleh untuk semua biomarker. Parameter lainnya adalah semuanya
dalam rentang yang dapat diterima
Konsentrasi biomarker pada spesimen kotoran telinga Detil konsentrasi biomarker dalam
spesimen kotoran telinga diperoleh dari 61 peserta ditunjukkan pada Tabel 3.
Mean ± standar deviasi termasuk outlier untuk tiga kelompok adalah: non-perokok, nikotin 1,0 ±
1,1 ng / mg,o-nikotin 0,9 ± 2,4 ng / mg, cotinine 1,0 ± 3,5 ng / mg, anabasin 0,1 ± 0,2 ng / mg;
perokok pasif, nikotin 1,2 ± 0,5 ng / mg, o-nikotin 3,7 ± 4,4 ng / mg, cotinine
5,3 ± 2,9 ng / mg, anabasin 0,0 ± 0 ng / mg; perokok aktif, nikotin 16,8 ± 32,9 ng / mg, o-nikotin
12,4 ± 17,4 ng / mg, cotinine 25,4 ± 26,4 ng / mg, anabasin 326 ± 890 ng /
mg. Data ini dianalisis lebih lanjut dengan plot kotak dananalisis statistik yang canggih
Analisis plot kotak Untuk mendemonstrasikan perbedaan terdeteksi tingkat masing - masing
senyawa yang diteliti diantara tiga kelompok studi, petak kotak menunjukkan autoscaled
Rasio luas puncak biomarker yang diteliti adalah dibangun (Gambar 2). Non-perokok, pasif, dan
aktif Perokok diwakili oleh kotak hijau, biru dan merah, masing-masing. Seperti ditunjukkan
pada gambar, cotinine adalah biomarker yang bervariasi secara signifikan diantara ketiganya
populasi yang dipelajari (ANOVA satu arah, P \ 0,001), sementara anabasine mendiskriminasi
perokok yang sangat aktif dari kolektif non-perokok dan perokok pasif, seperti itu tidak hadir
dalam dua kelompok ini dan hanya hadir diperokok aktif Sedangkan untuk dua biomarker
lainnya, nikotindan o-nikotin, nikotin gagal sepenuhnya membeda-bedakandi antara ketiga
kelompok tersebut, yang menunjukkan sangat Tumpang tindih tinggi di antara ketiga kelompok
tersebut, dan o-nikotin menunjukkan tumpang tindih pada tingkat yang lebih rendah. Oleh karena
itu, cotininememiliki kemampuan diskriminan terbaik yang diwakili oleh pemisahan lengkap
antara ketiga kelompok itu terbuktidi kotak petak. Hasil ini ditemukan dalam kesepakatan
dengan hasil yang dilaporkan sebelumnya dalam literatur tentang cotinine menjadi biomarker
terpenting dalam pemantauan penggunaan nikotin / paparan [15].
Kurva karakteristik operasi penerima Kinerja biomarker yang diteliti (nikotin,
cotinine, anabasine, dan o-nikotin) dalam diskriminasidari masing-masing dari tiga kelompok
yang diselidiki (bukan perokok, perokok pasif, dan perokok aktif) diwakili
oleh karakteristik operasi receiver (ROC) kurva pada tingkat kepercayaan 95% setelah PLS-DA
dan masing daerah di bawah kurva ROC (AUROC). Seperti yang terlihat di
Gambar 3, nikotin hampir mewakili diagnostik paling sedikit hasil untuk ketiga kelompok
diwakili oleh yang paling sedikit
AUROC, sementara anabasin menunjukkan diagnostik terbaik Hasilnya bagi kelompok perokok
baik yang aktif maupun pasif perokok, dengan kemampuan diagnostik hampir 100% untuk
perokok aktif Sedangkan untuk cotinine, itu adalah penanda terbaik untuk diskriminasi kelompok
non-perokok dari kelompok perokok aktif dan pasif, dengan AUROC dari
95,28% versus 75,69-88.33% untuk 3 variabel yang tersisa,
menunjukkan kemampuan diskriminan yang superior antara bukan perokok dan perokok.
Juga, model regresi multivariat termasuk PCA, RPCA, PLS-DA, SIMCA, serta MLR, diuji
diskriminasi antara kelompok belajar, namun hasilnya
tidak memuaskan (hasil tidak ditunjukkan). Ini mungkin dapat dikaitkan dengan sejumlah kecil
sampel, laten variabel, dan variabilitas intersubject yang lebar sama
kelompok di mana hampir 10% dari sampel bisa
dianggap outlier (Gambar 2). Ini membenarkan penggunaan
algoritma data mining untuk klasifikasi Algoritma Evtree Pohon evolusioner dibangun dengan
menggunakan evtree algoritma dan menggunakan perbedaan dalam autoscaled
rasio luas puncak dari empat biomarker [27]. Model terutama digunakan cotinine untuk
membedakan antara perokok kelompok (cotinine [0) dan kelompok non-perokok (cotinine
= 0). Pada langkah kedua, untuk kelompok perokok
(cotinine [0), anabasin digunakan untuk membedakan aktifdan perokok pasif. Cotinine bisa
melakukan diskriminasi
antara non-perokok dan perokok (aktif dan pasif) sepertiSemua sampel non-perokok ditemukan
negatif untuk cotinine
(Gambar 4). Setelah menuruni pohon, anabasine efisien diskriminasi antara perokok aktif dan
pasif, dan Hanya 2 sampel peserta non-perokok yang salah klasifikasisebagai perokok pasif.
Dukungan analisis diskriminan mesin vektor Pendekatan lain yang berhasil diterapkan dengan
menggunakan Model statistik SVMDA, yang telah banyak digunakan
karena kemampuannya untuk menangani data dengan dimensi sangat tinggi, dan
klasifikasi dan akurasi prediksi [28-30]. SVMDA adalah algoritma pembelajaran mesin yang
digunakan untuk mengatasiKesulitan dalam prediksi yang dihadapi dalam regresi multivariat
model.
Model SVM yang diterapkan mencapai klasifikasi 95%
akurasi untuk diskriminasi di antara ketiga kelompok yang diteliti,
seperti ditunjukkan pada Gambar 5, di mana ia benar memprediksi semua
sampel, kecuali tiga sampel yang salah klasifikasi.
Dua sampel dari perokok aktif dan satu sampel dari
non-perokok salah klasifikasi sebagai perokok pasif dan seorang
Perokok aktif, masing-masing, menunjukkan tingginya diskriminasi
kekuatan model Kesalahan klasifikasi ini bisa terjadi Mungkin dikaitkan dengan kemungkinan kedua hal
tersebutSampel dikumpulkan dari '' sesekali '' atau 'abstain' 'perokok, yang mempresentasikan tingkat
yang relatif lebih rendah dari yang dipelajari Senyawa dalam data yang digunakan dalam membangun
model,mengakibatkan tumpang tindih dalam klasifikasi. Mengenai satu sampel dari kelompok non-
perokok Itu salah klasifikasi sebagai perokok aktif, ini menunjukkanklasifikasi diri yang tidak akurat
Dalam beberapa kasus, konsumen, dikenal sebagai perokok 'enggan', entah menyangkal atau tidak
menganggap dirinya sebagai perokok, dan sangat prihatin orang menemukan bahwa ia merokok bahwa ia
menolak untuk label dirinya sebagai perokok. Kemungkinan lain adalah subjeknya
seorang mantan perokok mengklasifikasikan diri menjadi '' bukan perokok '' karena Saat ini dia tidak
merokok. Kebingungan dalam klasifikasi menyebabkan non-perokok ini diklasifikasikan sebagai perokok
aktif adalah karena tingkat yang relatif lebih tinggi dari beberapa yang dipelajari
biomarker paparan ditemukan dalam sampel, yang menyiratkan bahwa subjek mungkin baru saja berhenti
merokok. Perlindungan kotoran telinga dari kontaminasi eksternal
Metode yang menggunakan kotoran telinga, '' diabaikan biologis matriks, '' tidak hanya memiliki
keuntungan dari non-invasif sampling tapi juga mengatasi keterbatasan prosedur yang diterapkan
dalam matriks biologis lainnya, yang melibatkan tidak ada atau pretreatment sampel minimal dan
kurang eksternal
kontaminasi. Karena 60% dari kotoran telinga terdiri dari keratin [20], perbandingan tingkat
nikotin dan cotinin dalam kotoran telinga dengan rambut manusia untuk perokok aktif
seharusnya dibuat. Dalam penelitian ini, kami telah mempresentasikan data
kadar nikotin jauh lebih rendah daripada cotinine tingkat spesimen kotoran dalam perokok aktif
(Tabel 3; Gambar 2). Sebaliknya, pada spesimen rambut manusia, nikotin
tingkat dilaporkan lebih dari satu urutan besarnya lebih tinggi dari pada kadar cotinine pada
perokok aktif [31, 32], menunjukkan bahwa kadar nikotin tinggi pada manusia
Rambut jelas karena kontaminasi tembakau secara eksternal
Asap, sementara kotoran telinga hadir di saluran telinga jauh lebih terlindungi dari asap
tembakau terapung, bahkan untuk perokok aktif
Kesimpulan
Penelitian ini menyajikan informasi tentang penggunaan tembakau untuk membedakan paparan
rokok non-pasif terhadap asap tembakau dari eksposur aktif menggunakan spesimen kotoran
telinga. Juga memperkenalkan kotoran telinga untuk pertama kalinya sebagai matriks biologis
berguna untuk deteksi cotinine sesuai dengan yang terbaru aplikasi pengambilan sampel kotoran
untuk forensik untuk konfirmasi ataumembantah kecurigaan tentang penyalahgunaan obat / zat
lain [19]. Selain itu, telah terbukti dengan mengukur nikotin kadar dalam spesimen kotoran
untuk perokok aktif yang proteksi kotoran telinga dari paparan kontaminasi eksternal lebih besar
dari yang diharapkan. Earwax bahkan bisa jadi lebih disukai untuk matriks biologis lainnya
karena noninvasiveness, tidak perlu untuk pretreatment sampel mengkonsumsi waktuatau
langkah ekstraksi, yang jauh lebih jarang terpapar
kontaminasi eksternal, dan mampu melakukan pemantauan Obat-obatan yang diberikan baru-
baru ini atau beberapa bulan sebelumnya.Akhirnya, kami menggunakan beberapa statistik
komputer yang canggih analisis untuk empat biomarker ditentukan untuk mengkategorikan
masing subjek menjadi non-perokok, perokok pasif atau aktif
perokok; kurva ROC, algoritma evtree, dan SVMDA ditemukan sangat berguna untuk tujuan ini.
Ucapan Terimakasih Kami ingin mengakui Coordenac¸a~o de
Aperfeic¸oamento de Pessoal de Nı'vel Superior (CAPES), untuk
dana penelitian yang disediakan dalam program postdoctoral (PNPD)
(Hibah Nomor 1516965) untuk penulis pertama, Conselho Nacional de
Desenvolvimento Cientı'fico e Tecnolo'gico (CNPq) untuk penelitian
Produktif Hibah ke Nelson Roberto Antoniosi Filho dan '' Fundac¸a~o
de Apoio a` Pesquisa (FUNAPE) untuk pengelolaan keuangan
sumber daya Kami juga ingin mengakui kontribusi penelitian ini
peserta. Karya ini merupakan bagian dari proyek penelitian '' Chemical
komposisi komposisi kotoran telinga pada manusia dan hewan lainnya '' sepenuhnya
didanai oleh CAPES.
Kepatuhan terhadap standar etika
Konflik kepentingan Penulis menyatakan bahwa mereka tidak memiliki konflik.
Persetujuan etis Semua prosedur dilakukan dalam penelitian yang melibatkan
peserta manusia sesuai dengan standar etikakomite penelitian institusional dan / atau nasional
dan dengan tahun 1964 Deklarasi Helsinki dan amandemen selanjutnya atau etika yang sstandar.
Informed consent diperoleh dari semua individu peserta termasuk dalam penelitian.