Hipoksemia jest stanem medycznym, w którym krew nie przenosi wystarczającej ilości tlenu, aby odpowiednio zaopatrzyć tkanki. Jest wiodącym wskaźnikiem niebezpiecznych powikłań chorób układu oddechowego, takich jak astma, POChP i COVID-19. Podczas gdy specjalnie zaprojektowane pulsoksymetry mogą dostarczać precyzyjne odczyty saturacji krwi tlenem (SpO2), które umożliwiają diagnozę hipoksemii, udostępnienie tej funkcji w niezmodyfikowanych aparatach smartfonów za pośrednictwem aktualizacji oprogramowania może zapewnić większej liczbie osób dostęp do kluczowych informacji dotyczących ich zdrowia.
Naukowcy z uniwersytet Waszyngtoński i California San Diego wykazali w badaniu potwierdzającym koncepcję, że smartfony mogą wykrywać poziom nasycenia krwi tlenem tak niski, jak 70%. Amerykańska Agencja ds. Żywności i Leków zaleca, aby pulsoksymetry były w stanie mierzyć nie mniej niż ten poziom.
Uczestnicy techniki kładą palce na aparacie i lampie błyskowej smartfona, który wykorzystuje algorytm głębokiego uczenia się do określania poziomu tlenu we krwi. Smartfon poprawnie zidentyfikował, czy pacjent miał niski poziom tlenu we krwi w 80% przypadków, gdy zespół podał sześciu badanym regulowaną dawkę azotu i tlenu, aby sztucznie obniżyć poziom tlenu we krwi.
Współautor, Jason Hoffman, doktorant UW w Szkole Informatyki i Inżynierii Paula G. Allena, powiedział: „Inne aplikacje na smartfony, które to robią, zostały opracowane, prosząc ludzi o wstrzymanie oddechu. Ale ludzie czują się bardzo niekomfortowo i muszą oddychać po mniej więcej minucie, zanim ich poziom tlenu we krwi obniży się na tyle, aby reprezentować pełny zakres klinicznie istotnych danych. Za pomocą naszego testu możemy zebrać 15 minut danych od każdego przedmiotu. Nasze dane pokazują, że smartfony mogą dobrze działać w krytycznym zakresie progowym”.
Źródło: Dennis Wise/Uniwersytet Waszyngtoński
Współautor, dr Matthew Thompson, profesor medycyny rodzinnej w Szkole Medycznej UW, powiedział: „W ten sposób możesz wykonać wiele pomiarów za pomocą swojego urządzenia bez żadnych kosztów lub po niskich kosztach. Ta informacja mogłaby być bezproblemowo przekazywana do gabinetu lekarskiego w idealnym świecie. Byłoby to korzystne dla wizyt telemedycznych lub pielęgniarek triage, aby szybko ustalić, czy pacjenci muszą udać się na oddział ratunkowy, czy też mogą nadal odpoczywać w domu i umówić się później na wizytę u swojego głównego lekarza”.
Zespół wyłonił sześć osobników, których wiek wahał się od 20 do 34 lat: 3 mężczyzn i XNUMX kobiety. Podczas gdy większość uczestników zgłosiła się jako rasy kaukaskiej, jedna osoba zidentyfikowana jako Afroamerykanin.
Każdy uczestnik musiał nosić zwykły pulsoksymetr na jednym palcu, a drugi palec tej samej ręki nad aparatem smartfona i lampą błyskową w celu zebrania danych do treningu i testowania algorytmu. Ta konfiguracja była jednocześnie obecna na obu rękach dla każdego uczestnika.
Starszy autor Edward Wang, który rozpoczął ten projekt jako doktorant na UW studiujący inżynierię elektryczną i komputerową, powiedział: „Aparat nagrywa wideo: za każdym razem, gdy twoje serce bije, świeża krew przepływa przez część oświetloną lampą błyskową”.
„Aparat rejestruje, ile ta krew pochłania światło z lampy błyskowej w każdym z trzech mierzonych kanałów barwnych: czerwonym, zielonym i niebieskim”.
Każdy uczestnik wdychał kontrolowaną mieszankę tlenu i azotu, aby stopniowo obniżać poziom tlenu. Zajęło to około 15 minut. Zespół zebrał ponad 10,000 61 wartości poziomu tlenu we krwi między 100% a XNUMX% dla wszystkich sześciu badanych.
Naukowcy wyszkolili algorytm głębokiego uczenia się, aby wyodrębnić poziomy tlenu we krwi na podstawie danych od czterech uczestników. Pozostałe informacje wykorzystano do potwierdzenia dokładności metody przed przetestowaniem jej na zupełnie nowych osobach.
Współautor Varun Viswanath, absolwent UW, który obecnie jest doktorantem, któremu doradzał Wang z UC San Diego, powiedział: „Światło smartfona może zostać rozproszone przez wszystkie inne elementy w twoim palcu, co oznacza, że w danych, na które patrzymy, jest dużo szumu. Głębokie uczenie jest techniką korzystną, ponieważ pozwala dostrzec te złożone i zniuansowane funkcje i pomaga znaleźć wzorce, których inaczej nie bylibyście w stanie zobaczyć”.
Hoffman powiedział: „Jeden z naszych badanych miał grube modzele na palcach, co utrudniało naszemu algorytmowi dokładne określenie poziomu tlenu we krwi. Gdybyśmy rozszerzyli to badanie na więcej przedmiotów, prawdopodobnie zobaczylibyśmy więcej osób z modzelami i różnymi odcieniami skóry. Wtedy potencjalnie moglibyśmy mieć algorytm o wystarczającej złożoności, aby lepiej modelować wszystkie te różnice”.
Wang powiedział: „Ale to dobry pierwszy krok w kierunku opracowania urządzeń biomedycznych wspomaganych przez uczenie maszynowe”.
„To bardzo ważne, aby przeprowadzić takie badanie. Tradycyjne wyroby medyczne przechodzą rygorystyczne testy. Ale badania w dziedzinie informatyki dopiero zaczynają się zagłębiać uczenie maszynowe na rozwój urządzeń biomedycznych i wszyscy wciąż się uczymy. Zmuszając się do rygorystyczności, zmuszamy się do uczenia się, jak postępować właściwie”.
Referencje czasopisma:
- Hoffman, JS, Viswanath, VK, Tian, C. i in. Oksymetria aparatu w smartfonie w badaniu indukowanej hipoksemii. npj Cyfra. Med. 5, 146 (2022). DOI: 10.1038 / s41746-022-00665-y
