Smartphone-camera kan thuismonitoring van bloedzuurstofniveaus mogelijk maken PlatoBlockchain Data Intelligence. Verticaal zoeken. Ai.

Smartphone-camera kan thuismonitoring van bloedzuurstofniveaus mogelijk maken

Proof-of-principle studie: Onderzoekers hebben aangetoond dat smartphones in staat zijn om bloedzuurstofverzadigingsniveaus tot 70% te detecteren. De proefpersonen plaatsen hun vinger op de camera en flits van een smartphone, die een deep-learning-algoritme gebruikt om het zuurstofniveau in het bloed uit de resulterende video te ontcijferen. (Met dank aan: Dennis Wise/Universiteit van Washington)

Bloed-zuurstofverzadiging (SpO2), het percentage hemoglobine in het bloed dat zuurstof transporteert, is een belangrijke maatstaf voor de cardiovasculaire functie. Gezonde individuen hebben SpO2 niveaus van ongeveer 95% of hoger, maar ziekten van de luchtwegen – zoals astma, chronische obstructieve longziekte, longontsteking en COVID-19 – kunnen ervoor zorgen dat deze niveaus aanzienlijk dalen. En als SpO2 onder de 90% daalt, kan dit een teken zijn van een ernstigere hartziekte.

Artsen meten gewoonlijk SpO2 met behulp van pulsoximeters, niet-invasieve apparaten die op de vingertop of het oor worden geklikt. Deze werken doorgaans via transmissiefotoplethysmografie (PPG), waarbij de absorptie van rood en IR-licht wordt geanalyseerd om zuurstofrijk van zuurstofarm bloed te onderscheiden. Maar de mogelijkheid om SpO te monitoren2 Buiten de kliniek zou het gebruik van de camera op een alledaagse smartphone ervoor kunnen zorgen dat meer mensen situaties kunnen detecteren die medische follow-up vereisen of aanhoudende ademhalingsaandoeningen kunnen volgen.

Onderzoekers van de Universiteit van Washington (UW) en University of California San Diego hebben nu aangetoond dat smartphones bloed-zuurstofverzadigingsniveaus tot 70% kunnen detecteren. Rapporteren van hun bevindingen in npj Digitale GeneeskundeMerken ze op dat dit werd bereikt met behulp van smartphonecamera's zonder hardwareaanpassingen, door een convolutioneel neuraal netwerk (CNN) te trainen om een ​​breed scala aan bloedzuurstofniveaus te ontcijferen.

In een proof-of-principle-studie gebruikten de onderzoekers een procedure genaamd gevarieerde fractioneel geïnspireerde zuurstof (FiO2), waarbij de proefpersoon een gecontroleerd mengsel van zuurstof en stikstof inademt, om de SpO langzaam te verlagen2 niveaus tot onder de 70% – de laagste waarde die pulsoximeters zouden moeten kunnen meten, zoals aanbevolen door de Amerikaanse Food and Drug Administration. Ze gebruikten de resulterende gegevens om het op CNN gebaseerde deep-learning-algoritme te trainen.

“Andere smartphone-apps zijn ontwikkeld door mensen te vragen hun adem in te houden. Maar mensen voelen zich erg ongemakkelijk en moeten na een minuut of zo weer ademen, en dat is voordat hun bloedzuurstofniveaus ver genoeg zijn gedaald om het volledige scala aan klinisch relevante gegevens weer te geven”, legt de eerste auteur uit. Jason Hofman, een UW-promovendus, in een persverklaring. “Met onze test kunnen we van elk onderwerp 15 minuten aan gegevens verzamelen. Uit onze gegevens blijkt dat smartphones goed zouden kunnen werken binnen het kritieke drempelbereik.”

Hoffman en collega's onderzochten zes gezonde vrijwilligers. Elke deelnemer onderging gevarieerde FiO2 gedurende 13-19 minuten, gedurende welke tijd de onderzoekers meer dan 10,000 metingen van het zuurstofniveau in het bloed tussen 61% en 100% hebben verkregen. Daarnaast gebruikten ze speciaal gebouwde pulsoximeters om grondwaarheidsgegevens vast te leggen via transmissie-PPG.

Smartphone en pulsoximeters

Om smartphone-oximetrie uit te voeren, plaatst de deelnemer zijn vinger op de camera en flitser van een smartphone. De camera registreert reacties via reflectie-PPG – waarbij wordt gemeten hoeveel licht van de flits het bloed absorbeert in elk van de rode, groene en blauwe kanalen. De onderzoekers voerden deze intensiteitsmetingen vervolgens in het deep-learning-model in, waarbij ze de gegevens van vier proefpersonen gebruikten als trainingsset en één voor validatie en optimalisatie van het model. Vervolgens evalueren ze het getrainde model op basis van de gegevens van de resterende proefpersoon.

Indien getraind in een klinisch relevant bereik van SpO2 niveaus (70-100%) van de gevarieerde FiO2 studie bereikte de CNN een gemiddelde gemiddelde absolute fout van 5.00% bij het voorspellen van de SpO van een nieuw onderwerp2 niveau. De gemiddelde R2 de correlatie tussen de modelvoorspellingen en de referentie-pulsoximeter was 0.61. De gemiddelde RMS-fout was 5.55% bij alle proefpersonen, hoger dan de norm van 3.5% die vereist is voor reflectiepulsoximeters die goedgekeurd moeten worden voor klinisch gebruik.

De onderzoekers suggereren dat in plaats van simpelweg SpO te schatten2zou de camera-oximeter van de smartphone kunnen worden gebruikt als hulpmiddel om te screenen op lage bloedoxygenatie. Om deze aanpak te onderzoeken, berekenden ze de classificatienauwkeurigheid van hun model om aan te geven of een individu een SpO heeft2 niveau onder drie drempels: 92%, 90% (vaak gebruikt om de noodzaak van verdere medische aandacht aan te geven) en 88%.

Bij het classificeren van SpO2 niveaus onder de 90% vertoonde het model een relatief hoge sensitiviteit van 81% en een specificiteit van 79%, gemiddeld over alle zes proefpersonen. Voor het classificeren van SpO2 onder de 92% nam de specificiteit toe tot 86%, met een gevoeligheid van 78%.

De onderzoekers wijzen erop dat het onderzoek statistisch gezien niet aangeeft dat deze aanpak klaar is om te worden gebruikt als een medisch hulpmiddel dat vergelijkbaar is met de huidige pulsoximeters. Ze merken echter op dat het prestatieniveau van dit kleine proefpersoonmonster aangeeft dat de modelnauwkeurigheid kan worden vergroot door meer trainingsmonsters te verwerven.

Een van de proefpersonen had bijvoorbeeld dik eelt op zijn vingers, waardoor het voor het algoritme moeilijker werd om nauwkeurig het zuurstofniveau in het bloed te bepalen. "Als we dit onderzoek zouden uitbreiden naar meer onderwerpen, zouden we waarschijnlijk meer mensen met eelt en meer mensen met verschillende huidtinten zien", legt Hoffman uit. “Dan zouden we potentieel een algoritme kunnen hebben dat voldoende complex is om al deze verschillen beter te kunnen modelleren.”

Hofman vertelt Natuurkunde wereld dat het team geen plannen heeft om deze technologie onmiddellijk op de markt te brengen. “We hebben echter een testplan en subsidievoorstellen ontwikkeld waarmee we op een grotere, meer diverse groep onderwerpen kunnen testen om te zien of deze proof-of-principle-studie reproduceerbaar is en mogelijk klaar is voor commercieel gerichte ontwikkeling”, zegt hij. .

Tijdstempel:

Meer van Natuurkunde wereld