Smartphone-kamera kunne muliggøre hjemmeovervågning af iltniveauer i blodet

Blod-iltmætning (SpO₂), procentdelen af ​​hæmoglobin i blodet, der bærer ilt, er et vigtigt mål for kardiovaskulær funktion. Raske personer har SpO₂ niveauer på omkring 95 % eller derover, men luftvejssygdomme – såsom astma, kronisk obstruktiv lungesygdom, lungebetændelse og COVID-19 – kan få disse niveauer til at falde betydeligt. Og hvis SpO₂ falder under 90 %, kan dette være tegn på mere alvorlig hjerte-lungesygdom.

Læger måler normalt SpO₂ ved hjælp af pulsoximetre, ikke-invasive enheder, der clipses på fingerspidsen eller øret. Disse fungerer typisk via transmittansfotoplethysmografi (PPG), hvor absorptionen af ​​rødt og IR-lys analyseres for at skelne iltet fra deoxygeneret blod. Men muligheden for at overvåge SpO₂ uden for klinikken, ved at bruge kameraet på en hverdagssmartphone, kunne flere mennesker opdage situationer, der kræver medicinsk opfølgning eller holde styr på igangværende åndedrætstilstande.

Forskere på University of Washington (UW) og University of California San Diego har nu vist, at smartphones kan registrere blod-iltmætningsniveauer ned til 70%. Rapportere deres resultater i npj Digital medicin, bemærker de, at dette blev opnået ved hjælp af smartphone-kameraer uden hardwaremodifikationer, ved at træne et konvolutionelt neuralt netværk (CNN) til at dechifrere en lang række blod-iltniveauer.

I en proof-of-principle undersøgelse brugte forskerne en procedure kaldet varieret fraktioneret inspireret oxygen (FiO₂), hvor individet indånder en kontrolleret blanding af oxygen og nitrogen for langsomt at reducere deres SpO₂ niveauer til under 70 % – den laveste værdi, som pulsoximetre bør kunne måle, som anbefalet af US Food and Drug Administration. De brugte de resulterende data til at træne den CNN-baserede deep-learning-algoritme.

“Andre smartphone-apps blev udviklet ved at bede folk om at holde vejret. Men folk bliver meget utilpas og må trække vejret efter et minut eller deromkring, og det er før deres iltniveauer i blodet er faldet langt nok til at repræsentere hele rækken af ​​klinisk relevante data,” forklarer førsteforfatter. Jason Hoffman, en UW ph.d.-studerende, i en pressemeddelelse. "Med vores test er vi i stand til at indsamle 15 minutters data fra hvert emne. Vores data viser, at smartphones kunne fungere godt lige inden for det kritiske tærskelområde."

Hoffman og kolleger undersøgte seks raske frivillige. Hver deltager gennemgik varieret FiO₂ i 13-19 min., i løbet af hvilket tidsrum forskerne opnåede mere end 10,000 blod-iltniveaumålinger mellem 61 % og 100 %. Sideløbende brugte de specialbyggede pulsoximetre til at registrere jordsandhedsdata via transmittans PPG.

For at udføre smartphone-oximetri placerer deltageren deres finger over kameraet og flashen på en smartphone. Kameraet optager responser via reflektans PPG - måler hvor meget lys fra blitzen blodet absorberer i hver af de røde, grønne og blå kanaler. Forskerne fodrede derefter disse intensitetsmålinger ind i deep-learning-modellen ved at bruge fire forsøgspersoners data som træningssæt og en til validering og optimering af modellen. De evaluerer derefter den trænede model på det resterende forsøgspersons data.

Når de er trænet på tværs af et klinisk relevant udvalg af SpO₂ niveauer (70-100%) fra de varierede FiO₂ undersøgelse opnåede CNN en gennemsnitlig gennemsnitlig absolut fejl på 5.00 % ved at forudsige et nyt emnes SpO₂ niveau. Den gennemsnitlige R² korrelationen mellem modelforudsigelserne og referencepulsoximeteret var  0.61. Den gennemsnitlige RMS-fejl var 5.55 % på tværs af alle forsøgspersoner, højere end den 3.5 %-standard, der kræves for, at reflektanspulsoximeterenheder kan ryddes til klinisk brug.

Forskerne foreslår det snarere end blot at estimere SpO₂, kunne smartphone-kameraets oximeter bruges som et værktøj til at screene for lav blodiltning. For at udforske denne tilgang beregnede de deres models klassificeringsnøjagtighed for at angive, om en person har en SpO₂ niveau under tre tærskler: 92 %, 90 % (almindeligvis brugt til at angive behovet for yderligere lægehjælp) og 88 %.

Ved klassificering af SpO₂ niveauer under 90 % udviste modellen en relativt høj sensitivitet på 81 % og en specificitet på 79 %, i gennemsnit på tværs af alle seks testpersoner. Til klassificering af SpO₂ under 92 % steg specificiteten til 86 % med en sensitivitet på 78 %.

Forskerne påpeger, at undersøgelsen statistisk ikke indikerer, at denne tilgang er klar til at blive brugt som et medicinsk udstyr, der kan sammenlignes med nuværende pulsoximetre. De bemærker dog, at præstationsniveauet set fra denne lille testpersonsprøve indikerer, at modellens nøjagtighed kunne øges ved at erhverve flere træningsprøver.

For eksempel havde en af ​​forsøgspersonerne tyk hård hud på fingrene, hvilket gjorde det sværere for algoritmen nøjagtigt at bestemme deres blod-iltniveauer. "Hvis vi skulle udvide denne undersøgelse til flere emner, ville vi sandsynligvis se flere mennesker med hård hud og flere mennesker med forskellige hudtoner," forklarer Hoffman. "Så kunne vi potentielt have en algoritme med tilstrækkelig kompleksitet til bedre at kunne modellere alle disse forskelle."

Hoffman fortæller Fysik verden at holdet ikke har nogen planer om umiddelbart at kommercialisere denne teknologi. "Men vi har udviklet en testplan og bevillingsforslag, der vil gøre os i stand til at teste på en større, mere forskelligartet gruppe af emner for at se, om denne proof-of-principle undersøgelse er reproducerbar og potentielt klar til kommercielt fokuseret udvikling," siger han .