Gas Discharge Visualization (GDV), pogosto imenovan tudi Electro-Photonic Imaging (EPI), je sodobna digitalna različica pristopov, ki izhajajo iz Kirlianove fotografije. Pri meritvi se konica prsta nahaja v kratkotrajnem visokonapetostnem elektromagnetnem polju. V okoliškem plinu nastane koronsko oziroma plinsko razelektrenje, svetlobni vzorec pa zajame kamera. Programska oprema nato iz slike izračuna različne geometrijske in intenzitetne parametre.

Na prvi pogled je to zelo preprost postopek: prst, električni impulz, svetlobni obroč in slika. Toda dejanska informacijska vsebina slike je bistveno bogatejša. V koroni so zapisani podatki o površini, intenziteti, radialni debelini, kontinuiteti, vrzelih, zunanjem robu, lokalnih izrastkih, teksturi, asimetriji in časovni stabilnosti. Hkrati je slika občutljiva na vlago kože, način kontakta s steklom, temperaturo, potenje in druge fizikalne dejavnike.

Prav zaradi tega ima GDV veliko raziskovalnega potenciala, vendar tudi pomembne omejitve. Če želimo tehnologijo razvijati resno, moramo jasno ločiti tri stvari:

  1. kaj naprava neposredno izmeri;
  2. katere statistične povezave so bile opažene v raziskavah;
  3. katere razlage izhajajo iz tradicionalnih ali raziskovalnih modelov, na primer sektorske povezave z organi, meridiani ali čakrami.

Ta razlika je temelj za kredibilno prihodnost GDV.

Kaj GDV dejansko meri?

Fizikalni pojav koronskega razelektrenja ni sporen. Visoko električno polje povzroči ionizacijo plina ob površini predmeta. Nastane svetlobni vzorec, ki ga je mogoče fotografirati in digitalno analizirati.

Že klasična raziskava Peheka, Kylerja in Fausta, objavljena v reviji Science leta 1976, je pokazala, da imajo na Kirlianove koronske slike velik vpliv vlaga na površini, električni pogoji in dinamika razelektrenja. Avtorji so pokazali, da se zaradi vlage lahko spreminjajo gostota korone, smeri streamerjev in drugi elementi slike. To je zelo pomemben podatek: sprememba koronske slike ni samodejno dokaz spremembe nekega »organa« ali »energijskega centra«. Najprej je to sprememba fizikalnega razelektrenja.

Sodobni Bio-Well program iz slike računa vrsto objektivnih parametrov. V uradnem priročniku so med drugim opisani:

  • Area – število pikslov sijaja,
  • Normalized Area – površina sijaja glede na notranji oval,
  • Intensity – povprečna intenziteta,
  • Inner Noise – svetli piksli v notranjem območju,
  • Energy,
  • Form Coefficient – razmerje, povezano z dolžino zunanje konture in površino,
  • Entropy Coefficient – razmerje zunanje in notranje konture,
  • notranji in zunanji radij ter dolžina konture.

To so matematično določljive lastnosti slike. Težji del se začne pri vprašanju, kaj te številke pomenijo za človeka.

Kaj pravi raziskovalna literatura?

Leta 2023 je bil objavljen sistematični pregled raziskav uporabe GDV pri zdravju in bolezni. Avtorji so po začetnem izboru 108 publikacij v končni pregled vključili 42 študij: osem randomiziranih kontroliranih študij, pet nerandomiziranih kontroliranih, 17 presečnih, deset pre-post študij ene skupine in dve korelacijski študiji.

To pomeni, da raziskovalna baza obstaja in ni zanemarljiva. Hkrati so avtorji preglednega članka jasno zapisali, da so za dokončne sklepe potrebne študije z robustnejšo metodologijo in klinična validacija.

To je pošten povzetek celotnega področja: obstajajo zanimivi signali, vendar še ne dovolj enotnih dokazov za uporabo GDV kot samostojne klinične diagnostične metode.

Starejši sistematični pregled iz leta 2010 je prav tako našel veliko število raziskav in poročal o potencialu metode za hitro spremljanje psihofizioloških stanj in odziva na intervencije. Vendar je treba upoštevati, da je del literature izhajal iz konferenc in okolja, neposredno povezanega z razvojem GDV.

Znanstveno najvarneje je zato govoriti o raziskovalnem in komplementarnem meritvenem orodju, ne o nadomestilu za laboratorijsko diagnostiko, slikanje ali klinični pregled.

Zakaj je sama oblika korone pomembnejša, kot se zdi?

Velik del klasične programske opreme skrči zelo kompleksno sliko na nekaj globalnih kazalnikov. S tem se izgubi veliko informacij.

Predstavljajmo si dve sliki z enako površino sijaja.

Prva ima skoraj popoln, gladek in enakomerno debel obroč. Druga ima na eni strani globoko vrzel, na drugi strani dolg radialni izrastek, drugje pa zelo debelo korono. Globalni Area je lahko podoben, vendar sta morfološko sliki povsem različni.

Zato bi morala sodobna analiza GDV obravnavati korono kot dvodimenzionalni morfološki signal, ne le kot nekaj številk.

Osnovni morfološki vzorci GDV slike

1. Kontinuiteta korone

Najpreprostejše vprašanje je, kolikšen del oboda prsta obdaja povezana korona.

Namesto subjektivnih oznak »dobra« ali »slaba« kontinuiteta lahko program izmeri:

  • odstotek kota, kjer je korona prisotna;
  • število prekinitev;
  • skupno kotno širino prekinitev;
  • največjo posamezno vrzel;
  • ali vrzel res prekine glavno povezano komponento.

To zadnje je ključno. Temnejši del sijaja ni nujno vrzel. Če algoritem preprosto šteje manj svetle piksle kot »manjkajoče«, lahko navidezna fragmentacija postane zelo visoka tudi pri vizualno kontinuirani koroni.

Pravilnejši pristop je geometrijski: najprej določimo glavno povezano komponento korone, nato pa analiziramo njeno prisotnost po kotu.

2. Radialna debelina

Za vsak kot okoli prsta lahko izmerimo notranji in zunanji rob korone.

Če ju označimo kot:

r_in(θ) in r_out(θ),

je lokalna debelina:

t(θ) = r_out(θ) - r_in(θ).

Tako dobimo radialni profil po celotnih 360 stopinjah.

Iz tega lahko ločimo:

  • globalno tanko korono,
  • globalno debelo korono,
  • lokalno tanjšanje,
  • lokalno razširitev,
  • nenaden radialni izrastek.

Ta analiza je mnogo bolj informativna od povprečne površine.

3. Lokalna intenziteta

Debelina in svetlost nista ista stvar.

Korona je lahko:

  • geometrijsko prisotna, vendar temnejša;
  • tanka, vendar zelo svetla;
  • široka in difuzna;
  • ozka in intenzivna.

Zato mora imeti napredna analiza ločene profile:

  • prisotnost P(θ),
  • debelina T(θ),
  • intenziteta I(θ).

S tem preprečimo eno najpogostejših napak računalniške interpretacije: da se lokalno zmanjšanje svetlosti razglasi za fizično vrzel.

4. Izrastki, spike-i in streamerji

Radialni izrastki so ena najbolj očitnih lastnosti nekaterih koronskih slik.

Toda tudi tu obstaja več različnih pojavov:

  • tanek in dolg spike;
  • široka lokalna projekcija oziroma plume;
  • razvejan streamer;
  • več vzporednih streamerjev;
  • izolirana svetla pika;
  • satelitska komponenta blizu glavne korone.

Računalnik mora predvsem razlikovati med povezanim izrastkom, ki res izhaja iz glavne korone, in izoliranim artefaktom.

Če algoritem kot zunanji radij vzame zadnji poljubni svetel piksel, lahko majhna kapljica, prah ali odsev daleč od prsta ustvari lažen »ogromen streamer«. Boljši algoritem zahteva topološko povezavo z glavno korono in uporablja robustno lokalno osnovnico.

Za vsak streamer lahko nato izmerimo:

  • kot,
  • dolžino,
  • širino,
  • površino,
  • intenziteto,
  • razvejanost,
  • ponovljivost pri zaporednih meritvah.

5. Hrapavost in oblika roba

Dva koronska obroča imata lahko enako površino in enako povprečno debelino, a popolnoma različen rob.

Za opis roba lahko uporabimo:

  • dolžino konture,
  • ukrivljenost,
  • število lokalnih vrhov,
  • razmerje površine in konveksnega ovoja,
  • circularity,
  • Form Coefficient,
  • radialno hrapavost.

Posebej zanimiva je Fourierjeva analiza radialnega profila. Nizke prostorske frekvence opisujejo veliko asimetrijo ali ovalnost, visoke pa drobno nazobčanost.

Tako lahko matematično ločimo:

  • globalno deformacijo,
  • nekaj velikih izboklin,
  • veliko drobnih nepravilnosti.

6. Fraktalnost, entropija in tekstura

Fraktalna dimenzija in entropija se v GDV literaturi pogosto pojavljata kot kazalnika kompleksnosti vzorca. V nekaterih raziskavah so bile med skupinami opažene razlike v fraktalnosti ali entropiji, vendar rezultati niso vedno konsistentni.

Zato je bolje, da fraktalnosti ne obravnavamo kot mistično »stopnjo kaosa«, ampak kot eno od matematičnih lastnosti slike.

Naprednejši pristop lahko vključuje:

  • Shannonovo entropijo,
  • fraktalno dimenzijo,
  • lacunarity,
  • GLCM contrast,
  • GLCM homogeneity,
  • GLCM energy,
  • Local Binary Patterns.

Kombinacija več teksturnih značilk lahko razlikuje slike, ki imajo podobno globalno obliko, vendar povsem drugačno mikroteksturo.

Največji skriti problem: kakovost zajema

Če želimo analizirati majhne spremembe, moramo najprej vedeti, ali je slika sploh dovolj kakovostna.

Na GDV sliko lahko vplivajo:

  • vlaga kože;
  • znojenje;
  • umivanje rok;
  • alkohol ali čistilo;
  • temperatura;
  • vlažnost prostora;
  • pritisk in kot prsta;
  • položaj prsta;
  • noht;
  • umazanija na optiki;
  • izolirane kapljice ali pike;
  • kalibracija naprave.

Zato bi moral vsak resen sistem najprej izračunati Quality Score.

Primer:

Image quality: 96/100
Centering: OK
Saturation: none
Satellite artifacts: 1 removed
Nail artifact probability: low
Corona usable for sector analysis: yes

Takšen pristop je pomembnejši od dodajanja še enega »energetskega« parametra.

Ponovljivost je pomembnejša od ene spektakularne slike

Ena sama fotografija lahko vsebuje prehodni pojav.

Če isti prst posnamemo trikrat zapored in se nepravilnost:

  • pojavi 3/3 → znak je relativno stabilen;
  • pojavi 1/3 → verjetnejši je trenutni šum ali artefakt.

Zato je zelo zanimiva možnost multi-capture consensus.

Program lahko:

  1. zajame tri slike;
  2. jih geometrijsko poravna;
  3. izračuna konsenzno korono;
  4. določi, kateri znaki so stabilni;
  5. izračuna variabilnost.

V raziskovalni metodologiji lahko to ocenjujemo s:

  • coefficient of variation (CV),
  • intraclass correlation coefficient (ICC),
  • Bland–Altman analizo,
  • standard error of measurement.

Kritične raziskave Bio-Well/GDV opozarjajo prav na variabilnost nekaterih parametrov. Namesto da to ignoriramo, jo lahko nova generacija programske opreme izmeri in prikaže uporabniku.

To je znanstveno močnejši pristop.

Zakaj univerzalne »normalne vrednosti« niso dovolj?

Zelo zanimiva normativna raziskava je analizirala 880 zdravih ljudi v Indiji. Avtorji so ugotovili, da se nekatere normativne vrednosti razlikujejo od prej uporabljenih evropskih norm. Podatki tudi niso bili normalno porazdeljeni, zato so uporabili percentile in bootstrap.

To ima pomembno praktično posledico:

ena univerzalna meja za vse ljudi ni nujno dobra ideja.

Naprednejši sistem bi moral uporabljati dve vrsti referenc.

Populacijska norma

Primerjava z ustrezno referenčno skupino glede na:

  • merilno napravo,
  • protokol,
  • starost,
  • spol, kadar je statistično pomemben,
  • populacijo.

Osebna norma

Še pomembneje je, da človeka primerjamo z njim samim.

Če ima nekdo skozi deset meritev stabilno nižjo površino korone, to zanj morda predstavlja normalen osebni vzorec. Pomembnejša je nenadna sprememba glede na njegovo lastno osnovnico.

Zato so longitudinalni trendi lahko informativnejši od enkratne primerjave s populacijskim povprečjem.

Kaj kažejo klinične študije?

V literaturi obstajajo raziskave različnih stanj: hipertenzije, onkoloških bolezni, diabetesa, astme, psihofiziološkega stresa, odziva na jogo, meditacijo in druge intervencije.

Pomembno pa je razumeti, kaj takšna raziskava lahko in česa ne more dokazati.

Dober primer je pilotska raziskava bolnikov s kolorektalnimi neoplazijami. Vključila je 78 ljudi, vsi so imeli kolonoskopijo kot referenčni postopek. Med kontrolami in skupino z neoplazijami so našli statistične razlike v več GDV-parametrih, med drugim pri površini, normalizirani površini, intenziteti, notranjem šumu, konturah, fraktalnosti, entropiji in Form Coefficient.

To je zanimiv rezultat, vendar ne pomeni:

»GDV iz slike diagnosticira raka.«

Pomeni:

»V tem pilotskem vzorcu so bile nekatere slikovne značilke statistično različne med dvema skupinama in jih je smiselno nadalje raziskati.«

Za diagnostično uporabo bi potrebovali veliko prospektivno študijo, neodvisne centre, vnaprej določen algoritem in zunanjo validacijo.

GDV in HRV: zakaj je kombinacija zanimiva?

Heart Rate Variability (HRV) temelji na povsem drugem fizikalnem signalu: variabilnosti časovnih intervalov med srčnimi utripi.

V literaturi obstajajo raziskave korelacij med nekaterimi GDV in HRV parametri. Rezultati so zanimivi, niso pa dovolj enotni, da bi lahko izpeljali univerzalno formulo »GDV parameter X pomeni HRV parameter Y«.

Pravilna uporaba je zato multimodalna:

  • GDV prikaže koronski vzorec;
  • HRV prikaže regulacijo srčnega ritma;
  • oba sistema se analizirata neodvisno;
  • nato se iščejo ponavljajoči se vzorci skozi čas.

To je bolj zanesljivo kot združiti vse v eno skrivnostno »wellness score« številko.

Organi in sektorji: najobčutljivejši del interpretacije

Sodobni Bio-Well in starejši GDV sistemi razdelijo obod prstov na sektorje, ki jih interpretacijski model povezuje z organi in sistemi. Ta model je zgodovinsko povezan z akupunkturnimi oziroma meridianskimi koncepti in kliničnimi opazovanji avtorjev metode.

Pomembno je poudariti:

sektor sam ni neposredno izmerjen organ.

Naprava izmeri svetlobni vzorec na določenem kotu prsta. Šele programski atlas temu kotu pripiše interpretacijo.

Zato bi morala biti pravilna računalniška pot:

slika → anomalija → natančen kot → sektor → atlas → interpretacija

in ne:

slika → AI ugane organ

Če se vizualna anomalija nahaja zunaj kota sektorja določenega organa, je ne smemo uporabiti kot »vizualno potrditev« tega organa.

To je majhna programska podrobnost, vendar velika znanstvena razlika.

Kako lahko umetna inteligenca pomaga?

AI je pri GDV zelo uporaben, vendar na drugačen način, kot se pogosto predstavlja.

Najboljši način ni, da modelu pokažemo sliko in vprašamo:

»Kaj je s tem človekom narobe?«

Veliko boljši sistem je:

  1. klasični računalniški vid segmentira korono;
  2. algoritmi izračunajo objektivne lastnosti;
  3. program določi kote in sektorje;
  4. AI dobi originalno sliko, numerične podatke in točen atlas;
  5. AI preveri, ali se vizualni in numerični podatki ujemajo;
  6. AI jasno navede negotovost.

AI je zelo dober pri:

  • iskanju neskladij,
  • primerjavi več meritev,
  • razlagi kompleksnih rezultatov,
  • združevanju številnih parametrov,
  • opisovanju trendov.

Ne sme pa sam izumljati povezav med prstom in organom ali iz majhne statistične razlike ustvarjati klinično diagnozo.

Naslednja generacija analize: Corona Morphology Profile

Namesto peščice globalnih številk lahko vsako sliko predstavimo z bogatim morfološkim profilom:

Global morphology
  area
  normalized area
  mean / median intensity
  corona thickness
  circularity
  solidity
  eccentricity

Continuity
  angular continuity
  gap count
  total gap angle
  maximum gap

Edge
  perimeter
  curvature
  radial roughness
  Fourier spectrum

Streamers
  count
  longest streamer
  total streamer area
  branching

Texture
  entropy
  fractal dimension
  lacunarity
  GLCM
  LBP

Artifacts
  satellite dots
  inner noise
  nail/contact flags

Repeatability
  CV
  profile correlation
  persistent anomalies

Tak vektor je primeren tako za klasično statistiko kot za strojno učenje.

Strojno učenje: velika priložnost in velika past

Na področju analize koronskih slik se že pojavljajo poskusi strojnega učenja. Uporabljajo se logistična regresija, random forest, gradient boosting, SVM, KNN in drugi modeli. Tudi v študiji kolorektalnih neoplazij so avtorji uporabili ROC analizo, diskriminantno analizo in logistično regresijo.

Toda pri medicinskih podatkih je zelo lahko dobiti navidezno odličen model.

Če imamo deset slik istega človeka in nekatere damo v učno, druge pa v testno množico, se model lahko nauči prepoznati človeka, ne bolezni. Rezultat je lahko 95-odstotna »točnost«, ki na novih ljudeh propade.

Pravilen postopek zahteva:

  • delitev po osebah, ne po slikah;
  • dovolj velik vzorec;
  • neodvisni referenčni standard;
  • vnaprej definiran izid;
  • zunanji testni center;
  • kalibracijo verjetnosti;
  • interpretabilnost modela.

Strojno učenje je zelo perspektivno, vendar šele po kakovostni bazi podatkov.

Kje je realna možnost preseči klasični Bio-Well?

Ne nujno v večjem številu organov ali barvnih grafov.

Največja možnost napredka je v transparentnosti.

Naprednejši sistem lahko ob vsaki ugotovitvi pokaže:

R4, 246°
Local thinning
Debelina: 2,8 robustne standardne deviacije pod osebno osnovnico
Ponovitev: 3/3 zajemov
Image quality: 96/100
Sector overlap: partial
Interpretation confidence: medium

Uporabnik tako vidi, zakaj je program nekaj označil.

Še večjo vrednost imajo:

  • osebni baseline;
  • trendi skozi mesece ali leta;
  • avtomatska kontrola kakovosti;
  • prepoznavanje artefaktov;
  • primerjava homolognih prstov;
  • ločen prikaz GDV in HRV;
  • reproducibilno shranjevanje različice algoritma.

Tak sistem je raziskovalno veliko bolj uporaben kot programska oprema, ki izda končni rezultat brez vpogleda v pot do njega.

Pomembna meja: kaj lahko in česa ne moremo trditi

Na podlagi današnjega znanja lahko z veliko gotovostjo rečemo:

  • GDV/EPI generira realen in merljiv vzorec plinskega razelektrenja;
  • iz tega vzorca lahko objektivno izračunamo veliko geometrijskih in teksturnih lastnosti;
  • na vzorec vplivajo fizični pogoji, predvsem stanje površine kože in merilni pogoji;
  • raziskave poročajo o statističnih razlikah oziroma korelacijah z nekaterimi psihofiziološkimi in kliničnimi stanji;
  • področje potrebuje boljšo standardizacijo, ponovljivost in neodvisno validacijo.

Ne moremo pa na podlagi trenutne literature z enako gotovostjo reči:

  • da posamezna anomalija na prstu dokazuje bolezen določenega organa;
  • da GDV nadomešča laboratorijske ali druge medicinske preiskave;
  • da je sektorska organska karta klinično potrjena za individualno diagnostiko;
  • da barvni prikaz »energijskega polja« predstavlja neposredno fotografijo aure.

To razlikovanje ne zmanjšuje vrednosti raziskovanja. Nasprotno – naredi ga bolj kredibilnega.

Zaključek

GDV/EPI je zanimivo križišče fizike plinskega razelektrenja, obdelave slik, psihofiziologije, komplementarnih modelov in podatkovne znanosti.

Naslednji resen korak razvoja ni nujno dodajanje vedno novih interpretacij. Večjo vrednost ima izboljšanje samega merjenja:

  • natančnejša segmentacija korone;
  • robustno odstranjevanje artefaktov;
  • analiza vrzeli in streamerjev;
  • radialni profili;
  • Fourierjeva in teksturna analiza;
  • levo-desna homologija;
  • ponovljivost;
  • osebne referenčne vrednosti;
  • longitudinalni trendi;
  • jasna ocena zanesljivosti.

S takšnim pristopom lahko sodobna programska oprema postane analitično bistveno bogatejša od klasičnega GDV/Bio-Well pristopa, ne da bi morala pretiravati z medicinskimi trditvami.

Najmočnejša prihodnost te tehnologije je po našem mnenju v kombinaciji dobrega računalniškega vida, transparentne statistike, ponovljivih meritev in previdne interpretacije.

To je pot, po kateri se lahko zanimiva eksperimentalna tehnologija razvije v vedno bolj resno raziskovalno platformo.

Viri in nadaljnje branje

  1. Bista S, Jasti N, Bhargav H, et al. Applications of Gas Discharge Visualization Imaging in Health and Disease: A Systematic Review. Altern Ther Health Med. 2023.
    https://pubmed.ncbi.nlm.nih.gov/35648690/

  2. Korotkov KG, Matravers P, Orlov DV, Williams BO. Application of electrophoton capture (EPC) analysis based on gas discharge visualization (GDV) technique in medicine: a systematic review. J Altern Complement Med. 2010.
    https://pubmed.ncbi.nlm.nih.gov/19954330/
    https://doi.org/10.1089/acm.2008.0285

  3. Kostyuk N, Cole P, Meghanathan N, Isokpehi RD. Gas Discharge Visualization: An Imaging and Modeling Tool for Medical Biometrics. Int J Biomed Imaging. 2011.
    https://pmc.ncbi.nlm.nih.gov/articles/PMC3124241/
    https://doi.org/10.1155/2011/196460

  4. Pehek JO, Kyler HJ, Faust DL. Image modulation in corona discharge photography. Science. 1976.
    https://pubmed.ncbi.nlm.nih.gov/968480/
    https://doi.org/10.1126/science.968480

  5. Yakovleva EG, Buntseva OA, Belonosov SS, et al. Identifying Patients with Colon Neoplasias with Gas Discharge Visualization Technique. J Altern Complement Med. 2015.
    https://pubmed.ncbi.nlm.nih.gov/26302046/
    https://doi.org/10.1089/acm.2014.0168

  6. Engineering Approach to Identifying Patients with Colon Tumors on the Basis of Electrophotonic Imaging Technique Data.
    https://pmc.ncbi.nlm.nih.gov/articles/PMC4994194/

  7. Kushwah KK, Srinivasan TM, Nagendra HR. Development of normative data of electro photonic imaging technique for healthy population in India. Int J Yoga. 2016.
    https://pmc.ncbi.nlm.nih.gov/articles/PMC4728959/
    https://doi.org/10.4103/0973-6131.171713

  8. Duerden T. An aura of confusion Part 2: the aided eye—“imaging the aura?” 2004.
    https://pubmed.ncbi.nlm.nih.gov/15135764/

  9. Miraglia FE. Unreliability of the Gas Discharge Visualization (GDV) Device and the Bio-Well for Biofield Science: Part I. Journal of Anomalistics. 2024.
    https://doi.org/10.23793/zfa.2024.080

  10. Miraglia FE. … Part II. Journal of Anomalistics. 2024.
    https://doi.org/10.23793/zfa.2024.120
    https://www.anomalistik.de/images/pdf/zfa/JAnom24-1_120_Miraglia_P2.pdf

  11. Valverde R, Korotkov KG. Gas discharge visualisation technology for psychological research applications: A systematic review. 2025.
    https://doi.org/10.38140/ijspsy.v5i2.1938

  12. Bio-Well Manual – tehnične definicije slikovnih parametrov.
    https://www.bio-well.com/assets/files/Bio-Well_Manual.pdf

  13. Bio-Well Manuals
    https://bio-well.com/en-intl/pages/manuals

  14. Machine Learning Methods for Classifying Gas Discharge Images of Liquid Solutions. Preprint, 2025. Metodološko zanimiv primer podatkovne analize koronskih slik; ne predstavlja klinične validacije pri ljudeh.
    https://www.preprints.org/manuscript/202508.1320

Opomba: GDV/EPI analiza je raziskovalna in informativna metoda. Ni medicinska diagnoza in ne nadomešča zdravniškega pregleda, laboratorijskih preiskav ali drugih uveljavljenih diagnostičnih postopkov.