Smarttelefonkameraer kan måle oksygennivået i blodet nøyaktig


Oksygennivåer i blodet målt av smarttelefonkamera

Forskere har vist at smarttelefonkameraer er i stand til å oppdage oksygenmetningsnivåer i blodet ned til 70 %, som er den laveste verdien som dedikerte pulsoksimetre skal kunne måle som anbefalt av US Food and Drug Administration.

proof-of-principle-studien ble utført av forskere fra University of Washington og University of California San Diego og publisert et papir om resultatene i npj Digital medisin. Metoden ber deltakerne plassere fingeren over kameraet og blitsen på en smarttelefon som deretter får i oppgave å tyde oksygennivået i blodet ved hjelp av en app bevæpnet med en dyplæringsalgoritme.

Studien brukte seks deltakere i alderen 20 til 34 år, tre identifisert som kvinner og tre identifisert som mannlige. For å trene og teste algoritmen, fikk forskerne hver deltaker til å bære et standard pulsoksymeter på én finger og deretter plassere en annen finger på samme hånd over en smarttelefons kamera og blits samtidig.

Oksygennivåer i blodet målt av smarttelefonkamera
En måte å måle oksygenmetning på er å bruke pulsoksymetre – de små klipsene du legger over fingertuppen (noen vist her i grått og blått). I en proof-of-princip-studie har forskere fra University of Washington og University of California San Diego vist at smarttelefoner er i stand til å oppdage oksygenmetningsnivåer i blodet i et område som kan sammenlignes med de frittstående klippene. Teknikken går ut på at deltakerne legger fingeren over kameraet og blitsen på en smarttelefon.

“Kameraet tar opp en video: Hver gang hjertet ditt slår, strømmer friskt blod gjennom delen som er opplyst av blitsen,” sier seniorforfatter Edward Wang, som startet dette prosjektet som doktorgradsstudent ved University of Washington som studerer elektro- og datateknikk og er nå assisterende professor ved UC San Diegos Design Lab og Institutt for elektro- og datateknikk.

«Kameraet registrerer hvor mye blodet absorberer lyset fra blitsen i hver av de tre fargekanalene det måler: rød, grønn og blå. Så kan vi mate disse intensitetsmålingene inn i vår dyplæringsmodell.»

Vanligvis kan smarttelefonlys spres rundt de mange komponentene som utgjør en menneskelig finger, noe som betyr at det er mye støy i dataene. Dyplæring ble brukt for å se gjennom støyen og hjelpe til med å finne mønstre som ellers ville vært vanskelig å skjelne, forklarer medforfatter Varun Viswanath.

Teamet sier at når de leverte en kontrollert blanding av nitrogen og oksygen til seks forsøkspersoner for å kunstig få ned oksygennivået i blodet, forutså smarttelefonappen riktig om personen hadde lave oksygennivåer i blodet 80 % av tiden.

“Andre smarttelefonapper som gjør dette ble utviklet ved å be folk holde pusten. Men folk blir veldig ukomfortable og må puste etter et minutt eller så, og det er før oksygennivået i blodet har sunket langt nok til å representere hele spekteret av klinisk relevante data, sier medforfatter Jason Hoffman, ved University of Wasthington. sier doktorgradsstudent ved Paul G. Allen School of Computer Science and Engineering.

«Med testen vår er vi i stand til å samle 15 minutter med data fra hvert fag. Dataene våre viser at smarttelefoner kan fungere godt innenfor det kritiske terskelområdet.»

Oksygennivåer i blodet målt av smarttelefonkamera

Forskerne sier at metoden ikke bare fungerer bra, men den bruker også en enhet som i utgangspunktet alle allerede har, som teoretisk sett gjør hjemmeblodoksygenavlesning enkel og tilgjengelig for omtrent alle.

“På denne måten kan du ha flere målinger med din egen enhet enten uten kostnad eller lav pris,” sier medforfatter Dr. Matthew Thompson, professor i familiemedisin ved University of Washington School of Medicine.

“I en ideell verden kan denne informasjonen overføres sømløst til et legekontor. Dette ville være veldig fordelaktig for telemedisinske avtaler eller for triagesykepleiere for raskt å kunne avgjøre om pasienter trenger å gå til akuttmottaket eller om de kan fortsette å hvile hjemme og gjøre en avtale med sin primærhelseperson senere.”

Teamet håper å fortsette forskningen ved å utvide gruppen av brukere som algoritmen ble testet på.

“Det er så viktig å gjøre en studie som dette,” sier Wang. “Tradisjonell medisinsk utstyr gjennomgår strenge tester. Men informatikkforskning begynner fortsatt å grave tennene i bruk av maskinlæring for utvikling av biomedisinsk utstyr, og vi lærer fortsatt alle sammen. Ved å tvinge oss selv til å være strenge, tvinger vi oss selv til å lære å gjøre ting riktig.”


Bildekreditt: Dennis Wise/University of Washington