Non-invasive differential diagnosis of noisy breathing infants and toddlers

Abstract

Volgens internationaal onderzoek ervaart bijna 50% van de kinderen ten minste één episode van piepende ademhaling in hun eerste levensjaar. Reutelen komt echter ook veel voor in deze leeftijdsgroep, maar wordt vaak niet herkend als een apart ziektebeeld, wat leidt tot misdiagnose en ondervertegenwoordiging in veel onderzoeken. Piepen en reutelen zijn vormen van luidruchtige ademhaling met verschillende akoestische kenmerken, oorzaken, natuurlijke geschiedenis en reactie op behandeling. Momenteel zijn er geen objectieve diagnosetechnieken voor baby’s met luidruchtige ademhaling en de overeenkomst tussen hoe verschillende artsen ademhalingsgeluiden beoordelen is beperkt. Een vroege differentiële diagnose (bij de eerste symptomen) op basis van objectieve en niet-invasieve technieken zou een verkeerde diagnose en daaropvolgende onderof overbehandeling kunnen voorkomen. Het hoofddoel van dit proefschrift was het onderzoeken van het klinische potentieel van twee niet-invasieve methoden voor betere diagnose van subtypes van luidruchtige ademen (piepen en reutelen) bij kinderen tussen 2 en 18 maanden oud: (i) analyse van uitgeademde vluchtige organische componenten (VOC's), en (ii) akoestische analyse van opgenomen ademgeluiden met behulp van machine learning algoritmen (DEEL I). De methode voor het verzamelen en analyseren van uitgeademde lucht werd geoptimaliseerd (offline selected ion flow tube mass spectrometry (SIFT-MS), een voor deze leeftijdsgroep aangepaste adem sampler en de invloed van de ademhalingsroute (mond of neus) werd onderzocht (DEEL II). De Non-invasive Noisy breathing Infant (NiNbI) studie (DEEL I) telde niet voldoende kinderen met een piepende ademhaling om onderscheid te kunnen maken tussen piepers en reutelaars. Daarom werd de hoofdonderzoeksvraag aangepast en hebben we ons gericht op het onderscheiden van (i) reutelaars op basis van de ernst, en (ii) reutelaars van kinderen die herstelden van luidruchtig ademen. Reutelaars reageren meestal niet op de klassieke behandeling met luchtwegverwijders en/of inhalatiesteroïden en worden daarom bij aanhoudende symptomen doorverwezen naar de kinderarts. Dit toont aan dat de reutelaars als het ware werden uitgekozen. Ook toont dit aan dat reutelen een apart ziektebeeld is, dat ten onrechte wordt/werd beschouwd als piepen en aldus onjuist wordt behandeld. Op basis van de uitgeademde lucht (hoofdstuk 1) kon een onderscheid worden gemaakt tussen verschillende ernstgraden van reutelen (mild, matig, ernstig) en herstelde kinderen, en tussen herstelde/milde en matige/ernstige reutelaars. VOC's in uitgeademde lucht werden gemeten met behulp van gaschromatografische massaspectrometrie (GC-MS) en offline SIFT-MS, die vergelijkbare resultaten toonden bij het onderscheiden van de verschillende patiëntengroepen. Toevoeging van door de ouders gemelde symptomen in de afgelopen drie dagen aan het diagnostische classificatiemodel verbeterde de classificatie, met name voor het onderscheid tussen licht, matig en ernstig reutelen. Akoestische analyse van ademgeluiden opgenomen met een contactloze microfoon gebruikmakend van machine learning algoritmen was in staat de scores voor de ernst van het reutelen, gegeven door een expertpanel van kinderartsen, te voorspellen (hoofdstuk 2). Een dergelijke geautomatiseerde detectie van reutelen zou idealiter gecombineerd worden met geautomatiseerde detectie van piepen, om de differentiële diagnostiek te verbeteren in de klinische praktijk, waar een lage overeenkomst tussen waarnemers over de evaluatie van ademhalingsgeluiden een probleem kan zijn. Een grotere dataset van opgenomen ademhalingsgeluiden (zowel piepen als reutelen) met meer gedetailleerde beschrijvingen van een expertpanel van kinderartsen zou een betere training en validatie van het machine learning algoritme mogelijk maken. Offline SIFT-MS-analyse van uitgeademde monsters werd gerealiseerd door een indirecte combinatie met thermische desorptie (TD). Deze methode toonde een goede overeenkomst met de real-time analyse van de geselecteerde veelvoorkomende VOC’s in uitgeademde lucht, en bleek voldoende geschikt te zijn (hoofdstuk 3). Verdere optimalisering van de methode zou de nauwkeurigheid kunnen verhogen. Een commercieel verkrijgbare ademsampler werd aangepast met een Teflon tussenstuk dat het gebruik van goed passende gezichtsmaskers voor zuigelingen mogelijk maakt (hoofdstuk 4). Deze aangepaste ademsampler leverde soortgelijke resultaten op als de originele voor de geselecteerde VOC's, zowel bij dynamische als continue bemonstering. Met het gezichtsmasker konden de zuigelingen zowel door hun mond als door hun neus ademen. Beide ademhalingsroutes vertoonden relatief vergelijkbare patronen gemeten met realtime SIFT-MS en waren bij volwassenen sterk gecorreleerd (hoofdstuk 5). De NiNbI-studie leverde pilot-data en eerste resultaten op over het klinische potentieel van uitgeademde vluchtige biomerkers en akoestische analyse van opgenomen ademgeluiden voor (i) het onderscheiden van reutelaars op basis van ernst, en voor (ii) het onderscheid maken tussen reutelaars en zuigelingen die herstelden van luidruchtig ademen. Een klinische studie met een groter aantal reutelende en vooral piepende zuigelingen is nodig om het klinische potentieel van beide methoden voor het onderscheiden van luidruchtige ademhaling subtypes bij zuigelingen tussen 2 en 18 maanden oud te onderzoeken.

Almost 50% of infants experience at least one episode of wheezing in their first year of life according to an international survey. However, rattling is also very common in infants but often not recognized as a distinct clinical entity leading to underdiagnosis and underrepresentation in many studies. Wheezing and rattling are noisy breathing phenotypes that have different acoustic characteristics, different aetiologies, natural histories and different responses to treatment. At present, objective diagnostic techniques for noisy breathing infants are lacking and the agreement between observers about stethoscope evaluation of respiratory sounds is limited. An early differential diagnosis (at first presentation of symptoms) based on objective and non-invasive techniques could prevent misdiagnosis and subsequent under- or overtreatment. The general aim of this thesis was to investigate the clinical potential of two noninvasive methods for improved diagnosis of noisy breathing subtypes (wheezing and rattling) in infants between 2 and 18 months old: (i) analysis of exhaled volatile organic compounds (VOCs), and (ii) acoustic analysis of breath sounds recorded with a non-contact microphone using machine learning algorithms (PART I). The method for sampling and analysing exhaled breath was optimized, i.e. offline selected ion flow tube mass spectrometry (SIFT-MS), an infant adjusted breath sampler, and influence of breathing route (PART II). The Non-invasive Noisy breathing Infant (NiNbI) study (PART I), did not include sufficient wheezing infants to differentiate between wheezing and rattling. Therefore, we adjusted the objective and focused on differentiating (i) rattling infants based on severity, and (ii) rattling infants from infants who recovered from noisy breathing. Rattling infants usually do not respond to the classical therapy with inhaled airway dilators and/or inhaled steroids and are therefore referred to the paediatrician when symptoms continue. This indicates that rattling infants are singled out, so to speak. This could indicate that the rattling infants are a separate entity, who are/were incorrectly classified as wheezing and incorrectly treated as such. Differentiating between different rattling severities (mild, moderate, severe) and recovered infants, and between recovered/mild and moderate/severe rattlers was possible based on exhaled breath (chapter 1). VOCs in exhaled breath were measured using offline gas chromatography mass spectrometry (GC-MS) and SIFT-MS, which showed similar performance in discriminating the different patient groups. Adding parent reported symptoms in the past three days to the diagnostic classification model improved the performance, particularly for the discrimination of mild, moderate and severe rattling. Acoustic analysis of recorded breath sounds using machine learning algorithms was able to predict rattle severity scores given by an expert panel of paediatricians (chapter 2). Such computer-aided rattle detection would ideally be combined with computer-aided wheeze detection to improve differential diagnostics in the paediatric clinical practice, where low inter-observer agreement on the evaluation of breath sounds can be an issue. A larger dataset of recorded breath sounds (both wheeze and rattle) with more detailed descriptions from a paediatric expert panel would allow better training and validation of the machine learning algorithm. Offline SIFT-MS analysis of exhaled breath samples was achieved by an indirect combination with thermal desorption (TD). This was to be a suitable offline method for the selected common breath volatiles with good agreement to the real-time method (chapter 3). Further optimization of the methodology could increase accuracy of quantification. A commercially available breath sampler was adjusted by adding a Teflon spacer allowing the use of well-fitting face masks for infants (chapter 4). This adjusted breath sampler provided similar results to its original both in dynamic and continuous sampling mode for the selected VOCs (acetone, isoprene, acetaldehyde, pentane, propanal, and propanol). The face mask allowed the infants to breathe through both their mouth and nose. Both breathing routes showed relatively similar patterns and were strongly correlated in adults using real-time SIFT-MS analysis (chapter 5). The NiNbI study provided pilot data and first results on the clinical potential of exhaled volatile biomarkers and acoustic analysis of breath sounds for differentiating (i) rattling infants based on severity, and (ii) rattling infants from infants who recovered from noisy breathing. A clinical study with a larger sample size of rattling and especially wheezing infants is needed in order to investigate the clinical potential of both methods for the differentiation of noisy breathing phenotypes in infants.