Biphasic Spectral Signatures Enable Non-Linear Glucose Estimation from Smartphone Photoplethysmography

Für Millionen von Menschen, die mit Diabetes leben, ist die Überprüfung des Blutzuckers ein tägliches Ritual, das ein schmerzhaftes Stechen in den Finger und einen Blutstropfen beinhaltet. Obwohl moderne Geräte diesen Prozess erleichtert haben, bleibt die Notwendigkeit invasiver Tests eine Barriere für ein breites Screening und eine kontinuierliche Überwachung. Wissenschaftler suchen schon lange nach einem Weg, den Glukosespiegel zu messen, ohne die Haut zu verletzen, und wenden sich stattdessen dem Licht zu, das von unserer Haut abprallt. Wenn Blut durch die winzigen Gefäße direkt unter der Oberfläche pulsiert, absorbiert und reflektiert es Licht auf subtile Weise. Smartphone-Kameras sind empfindlich genug, um diese winzigen, rhythmischen Farbveränderungen zu erkennen, eine Technik, die als Fern-Photoplethysmographie bekannt ist. Die Herausforderung bestand darin, dass die Verbindung zwischen diesen Lichtmustern und dem Blutzucker keine einfache, gerade Linie ist; die Reaktion des Körpers auf hohen Zuckergehalt verändert sich im Laufe der Zeit, was es schwieriger macht, mit Standard-Mathematikwerkzeugen ein zuverlässiges Signal aus dem Rauschen zu finden.

Ein Forschungsteam aus Südkorea hat nun einen neuen Weg demonstriert, diese Signale zu lesen, indem es über einfache Mittelwerte hinausgeht und den komplexen Rhythmus des Blutflusses selbst betrachtet. Durch die Analyse von Videomaterial des Gesichts einer Person, das mit einem Standard-Smartphone aufgenommen wurde, konnten sie den Nüchternblutzuckerspiegel mit einer Genauigkeit schätzen, die vorangegangene nicht-invasive Versuche übertrifft. Der Schlüssel zu ihrem Erfolg lag nicht nur darin, wie stark sich das Blutvolumen veränderte, sondern darin, die spezifischen Frequenzen dieser Veränderungen über die Zeit hinweg zu untersuchen. Sie entdeckten, dass die Beziehung zwischen Blutzucker und Blutfluss-Signal keine gerade Linie ist; stattdessen folgt sie einem gekrümmten, zweiteiligen Muster, bei dem sich das Signal in frühen Stadien von hohem Blutzucker anders verhält als in späteren, schwerwiegenderen Stadien. Durch die Verwendung eines Computermodells, das in der Lage ist, dieses gekrümmte Muster zu erkennen, erreichten die Forscher eine durchschnittliche Fehlerrate von 8,40 Prozent, was eine signifikante Verbesserung gegenüber den typischen Fehlerraten von 13 bis 18 Prozent früherer Methoden darstellt.

Die Studie umfasste 100 Teilnehmer, die mindestens acht Stunden vor dem Test gefastet hatten. Jede Person hielt ihr Gesicht vor eine Smartphone-Kamera, die etwa 40 Sekunden lang ein Video ihrer Wangen aufzeichnete. Gleichzeitig lieferte ein herkömmlicher Fingerstich-Test eine Referenzmessung ihres Blutzuckers. Die Forscher verarbeiteten dann das Video, um das Pulssignal zu extrahieren und die Rohdaten in eine visuelle Karte umzuwandeln, die zeigte, wie sich die Energie des Blutflusses über verschiedene Geschwindigkeiten der Vibration hinweg veränderte. Diese Karte enthüllte, dass die wichtigste Information für die Schätzung des Blutzuckers in einem spezifischen, niedrigen Geschwindigkeitsbereich des Signals konzentriert war. Als sie die Karten von Menschen mit normalem Blutzucker mit denen von Menschen mit leicht erhöhtem Spiegel und denen mit Diabetes verglichen, trat ein deutliches Muster hervor. Die Signalstärke in diesem spezifischen niedrigen Geschwindigkeitsbereich sank bei Menschen mit leicht erhöhtem Zucker ab, nur um bei Menschen mit signifikant hohem Zucker wieder anzusteigen.

Dieses „biphasische“ Muster, bei dem das Signal sinkt und dann wieder ansteigt, erklärt, warum frühere Methoden Schwierigkeiten hatten. Ältere Ansätze stützten sich oft auf lineare Modelle, die eine geradlinige Beziehung voraussetzen – sie erwarten, dass das Signal entweder immer steigt oder immer sinkt, während der Blutzuckerspiegel steigt. Da das Signal tatsächlich erst abfällt und dann wieder ansteigt, wird ein lineares Modell verwirrt und sieht im Abfall und Wiederanstieg widersprüchliches Rauschen statt einer einzigen, kohärenten Geschichte. Der neue Ansatz nutzte ein kompaktes neuronales Netzwerk, eine Art künstliche Intelligenz, die darauf ausgelegt ist, komplexe Formen und Muster zu erkennen, um diese gekrümmte Beziehung zu interpretieren. Das System lernte, zwischen dem Abfall, der mit frühen metabolischen Veränderungen assoziiert ist, und dem Anstieg, der mit fortgeschrittener Gefäßversteifung einhergeht, zu unterscheiden. Das Ergebnis war ein Modell, das den Blutzuckerspiegel mit hoher Präzision vorhersagen konnte, insbesondere für Menschen mit normalen oder leicht erhöhten Werten, was die kritischste Gruppe für das Frühscreening darstellt.

Die Forscher testeten auch, ob das System verbessert werden kann, indem es aus der eigenen Geschichte eines Individuums lernt. Sie fanden heraus, dass die Genauigkeit noch weiter zunahm, insbesondere in den Tagen unmittelbar nach der Kalibrierung, wenn ein Nutzer nur fünf vergangene Blutzuckerwerte zur Kalibrierung bereitstellte. Dennoch funktionierte das System auch ohne diese persönlichen Daten gut, was darauf hindeutet, dass es für das allgemeine Bevölkerungsscreening nützlich sein könnte, bei dem keine medizinische Vorgeschichte verfügbar ist. Die Studie war in ihrem Design rigoros und nutzte eine Methode namens Kreuzvalidierung, um sicherzustellen, dass das Modell nicht einfach die spezifischen Personen auswendig lernte, auf die es trainiert wurde, sondern tatsächlich eine allgemeine Regel erlernte, die auch für neue Menschen gilt. Das Modell zeigte eine konsistente Leistung über verschiedene Altersgruppen und Geschlechter hinweg, wenngiel es bei der kleinen Gruppe der Teilnehmer mit sehr hohem Blutzucker etwas mehr Schwierigkeiten hatte – eine Einschränkung, die die Autoren auf die geringe Anzahl solcher Fälle in ihrem Datensatz zurückführen.

Obwohl die Ergebnisse vielversprechend sind, sind die Autoren vorsichtig und betrachten dies eher als einen technischen Machbarkeitsnachweis (Proof of Concept) als als ein fertiges Medizinprodukt. Die Studie wurde unter kontrollierten Bedingungen mit Fastenden durchgeführt, und die Forscher haben das System nicht bei Menschen getestet, die Mahlzeiten zu sich nehmen, oder auf einer kontinuierlichen Basis. Zudem wurde die Studiengruppe aus einem einzigen Land rekrutiert, und die Leistung bei Menschen mit unterschiedlichen Hauttönen oder in anderen Umgebungen wurde noch nicht vollständig verifiziert. Der Zusammenhang zwischen den spezifischen Lichtmustern und den zugrunde liegenden biologischen Veränderungen, wie etwa der Gefäßsteifigkeit, wird durch die bestehende medizinische Literatur gestützt, wurde aber in dieser spezifischen Gruppe nicht direkt gemessen. Die Forscher vermuten, dass die beobachteten Signalveränderungen wahrscheinlich durch die Art und Weise verursacht werden, wie hohe Zuckerwerte die Blutflussdynamik und die Elastizität der Gefäße verändern, betonen jedoch, dass zukünftige Studien mit direkten vaskulären Messungen notwendig sind, um den exakten biologischen Mechanismus zu bestätigen.

Trotz dieser Einschränkungen stellt die Arbeit einen bedeutenden Schritt nach vorn im Streben nach nicht-invasiver Gesundheitsüberwachung dar. Indem sie den Fokus von einfachen zeitbasierten Messungen auf eine detaillierte Analyse der Frequenz des Signals und deren Veränderung über die Zeit verlagerten, entdeckte das Team eine verborgene Struktur in den Daten, die lineare Methoden übersehen hatten. Die Fähigkeit, eine nicht-lineare, zweistufige Reaktion im Blutflusssignal zu detektieren, bietet eine plausible Erklärung dafür, warum frühere Versuche scheiterten, und eröffnet einen klaren Weg für zukünftige Verbesserungen. Die Ergebnisse legen nahe, dass mit den richtigen computergestützten Werkzeugen eine Smartphone-Kamera subtile physiologische Veränderungen erfassen kann, die für die Standardanalyse zuvor unsichtbar waren, was die Tür zu zugänglicheren und weniger invasiven Wegen für die Verwaltung der metabolischen Gesundheit öffnet.