Eine Smartphone-Kamera könnte die Überwachung des Blutsauerstoffspiegels zu Hause ermöglichen

Blutsauerstoffsättigung (SpO₂), der Prozentsatz des Hämoglobins im Blut, der Sauerstoff transportiert, ist ein wichtiges Maß für die Herz-Kreislauf-Funktion. Gesunde Menschen haben SpO₂ Werte von etwa 95 % oder mehr, aber Atemwegserkrankungen – wie Asthma, chronisch obstruktive Lungenerkrankung, Lungenentzündung und COVID-19 – können dazu führen, dass diese Werte erheblich sinken. Und wenn SpO₂ Wenn der Wert unter 90 % fällt, kann dies ein Zeichen für eine schwerwiegendere Herz-Lungen-Erkrankung sein.

Ärzte messen normalerweise SpO₂ Verwendung von Pulsoximetern, nicht-invasiven Geräten, die an der Fingerspitze oder am Ohr befestigt werden. Diese funktionieren typischerweise mittels Transmissionsphotoplethysmographie (PPG), bei der die Absorption von rotem und IR-Licht analysiert wird, um sauerstoffhaltiges von sauerstoffarmem Blut zu unterscheiden. Aber die Möglichkeit, SpO zu überwachen₂ Außerhalb der Klinik könnte die Verwendung der Kamera auf einem alltäglichen Smartphone es mehr Menschen ermöglichen, Situationen zu erkennen, die medizinische Nachsorge erfordern, oder aktuelle Atemwegserkrankungen im Auge zu behalten.

Forscher an der Universität von Washington (UW) und University of California San Diego haben nun gezeigt, dass Smartphones Blutsauerstoffsättigungswerte bis zu 70 % erkennen können. Veröffentlichung ihrer Ergebnisse in npj Digitale MedizinSie stellen fest, dass dies mithilfe von Smartphone-Kameras ohne Hardwaremodifikationen erreicht wurde, indem ein Faltungs-Neuronales Netzwerk (CNN) trainiert wurde, um ein breites Spektrum an Blutsauerstoffwerten zu entschlüsseln.

In einer Machbarkeitsstudie verwendeten die Forscher ein Verfahren namens „Varied Fractional Inspired Oxygen“ (FiO).₂), bei dem der Proband eine kontrollierte Mischung aus Sauerstoff und Stickstoff einatmet, um seinen SpO langsam zu reduzieren₂ Werte unter 70 % – der niedrigste Wert, den Pulsoximeter messen können sollten, wie von der US-amerikanischen Food and Drug Administration empfohlen. Die resultierenden Daten nutzten sie, um den CNN-basierten Deep-Learning-Algorithmus zu trainieren.

„Andere Smartphone-Apps wurden entwickelt, indem man Menschen aufforderte, den Atem anzuhalten. Aber die Menschen fühlen sich sehr unwohl und müssen nach etwa einer Minute atmen, und das, bevor ihr Blutsauerstoffspiegel weit genug gesunken ist, um das gesamte Spektrum klinisch relevanter Daten darzustellen“, erklärt der Erstautor Jason Hoffmann, ein UW-Doktorand, in einer Pressemitteilung. „Mit unserem Test sind wir in der Lage, 15 Minuten Daten von jedem Probanden zu sammeln. Unsere Daten zeigen, dass Smartphones genau im kritischen Schwellenbereich gut funktionieren könnten.“

Hoffman und Kollegen untersuchten sechs gesunde Freiwillige. Jeder Teilnehmer durchlief eine unterschiedliche FiO₂ für 13–19 Minuten, während dieser Zeit erfassten die Forscher mehr als 10,000 Blutsauerstoffwerte zwischen 61 % und 100 %. Daneben nutzten sie speziell entwickelte Pulsoximeter, um Ground-Truth-Daten über Transmissions-PPG aufzuzeichnen.

Um eine Smartphone-Oximetrie durchzuführen, legt der Teilnehmer seinen Finger über die Kamera und den Blitz eines Smartphones. Die Kamera zeichnet Reaktionen über das Reflexionsvermögen PPG auf und misst, wie viel Licht vom Blitz das Blut in jedem der roten, grünen und blauen Kanäle absorbiert. Die Forscher haben diese Intensitätsmessungen dann in das Deep-Learning-Modell eingespeist und dabei die Daten von vier Probanden als Trainingssatz und einen zur Validierung und Optimierung des Modells verwendet. Anschließend bewerten sie das trainierte Modell anhand der verbleibenden Daten des Probanden.

Beim Training in einem klinisch relevanten SpO-Bereich₂ Gehalte (70–100 %) aus den verschiedenen FiO₂ In der Studie erreichte das CNN einen durchschnittlichen mittleren absoluten Fehler von 5.00 % bei der Vorhersage des SpO eines neuen Probanden₂ Ebene. Der durchschnittliche R² Die Korrelation zwischen den Modellvorhersagen und dem Referenzpulsoximeter betrug  0.61. Der durchschnittliche RMS-Fehler betrug bei allen Probanden 5.55 % und lag damit über dem Standard von 3.5 %, der für die Zulassung von Reflexions-Pulsoximetergeräten für den klinischen Einsatz erforderlich ist.

Die Forscher schlagen vor, SpO nicht einfach abzuschätzen₂, könnte das Smartphone-Kamera-Oximeter als Hilfsmittel zum Screening auf eine niedrige Sauerstoffversorgung des Blutes eingesetzt werden. Um diesen Ansatz zu untersuchen, berechneten sie die Klassifizierungsgenauigkeit ihres Modells, um anzuzeigen, ob eine Person einen SpO hat₂ Wert unter drei Schwellenwerten: 92 %, 90 % (üblicherweise verwendet, um die Notwendigkeit weiterer medizinischer Behandlung anzuzeigen) und 88 %.

Bei der Klassifizierung von SpO₂ Bei Werten unter  90 % wies das Modell eine relativ hohe Sensitivität von 81 % und eine Spezifität von 79 % auf, gemittelt über alle sechs Probanden. Zur Klassifizierung von SpO₂ Unter 92 % stieg die Spezifität auf 86 % bei einer Sensitivität von 78 %.

Die Forscher weisen darauf hin, dass die Studie statistisch gesehen nicht darauf hindeutet, dass dieser Ansatz als medizinisches Gerät vergleichbar mit aktuellen Pulsoximetern eingesetzt werden kann. Sie stellen jedoch fest, dass das Leistungsniveau dieser kleinen Testpersonenstichprobe darauf hindeutet, dass die Modellgenauigkeit durch die Erfassung weiterer Trainingsstichproben erhöht werden könnte.

Einer der Probanden hatte beispielsweise dicke Schwielen an den Fingern, was es für den Algorithmus schwieriger machte, den Sauerstoffgehalt im Blut genau zu bestimmen. „Wenn wir diese Studie auf mehr Probanden ausweiten würden, würden wir wahrscheinlich mehr Menschen mit Hornhaut und mehr Menschen mit unterschiedlichen Hauttönen sehen“, erklärt Hoffman. „Dann könnten wir möglicherweise einen Algorithmus mit ausreichender Komplexität haben, um all diese Unterschiede besser modellieren zu können.“

Hoffmann erzählt Physik-Welt dass das Team keine Pläne hat, diese Technologie sofort zu kommerzialisieren. „Wir haben jedoch einen Testplan und Fördervorschläge entwickelt, die es uns ermöglichen würden, an einer größeren, vielfältigeren Gruppe von Probanden zu testen, ob diese Proof-of-Principle-Studie reproduzierbar und möglicherweise für eine kommerziell ausgerichtete Entwicklung bereit ist“, sagt er .