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

Para millones de personas que viven con diabetes, controlar el azúcar en sangre es un ritual diario que implica un pinchazo agudo en el dedo y una gota de sangre. Aunque los dispositivos modernos han facilitado este proceso, la necesidad de pruebas invasivas sigue siendo una barrera para el cribado generalizado y la monitorización continua. Los científicos han buscado durante mucho tiempo una forma de medir los niveles de glucosa sin romper la piel, recurriendo en su lugar a la luz que rebota en nuestra piel. Cuando la sangre pulsa a través de los diminutos vasos situados justo debajo de la superficie, absorbe y refleja la luz de formas sutiles. Las cámaras de los teléfonos inteligentes son lo suficientemente sensibles como para detectar estas diminutas y rítmicas fluctuaciones de color, una técnica conocida como fotopletismografía remota. El desafío ha sido que la conexión entre estos patrones de luz y el azúcar en sangre no es una línea recta simple; la respuesta del cuerpo a los altos niveles de azúcar cambia con el tiempo, lo que dificulta que las herramientas matemáticas estándar encuentren una señal fiable en medio del ruido.

Un equipo de investigadores de Corea del Sur ha demostrado ahora una nueva forma de leer estas señales, yendo más allá de los promedios simples para observar el complejo ritmo del propio flujo sanguíneo. Al analizar las grabaciones de vídeo del rostro de una persona registradas con un smartphone estándar, fueron capaces de estimar los niveles de glucosa en ayunas con un nivel de precisión que supera los intentos no invasivos anteriores. La clave de su éxito no fue solo observar cuánto cambiaba el volumen de sangre, sino examinar las frecuencias específicas de esos cambios a lo largo del tiempo. Descubrieron que la relación entre el azúcar en sangre y la señal del flujo sanguíneo no es una línea recta; en cambio, sigue un patrón curvo de dos partes donde la señal se comporta de manera diferente en las etapas iniciales de azúcar alta en comparación con las etapas posteriores, más graves. Al utilizar un modelo informático capaz de reconocer este patrón curvo, los investigadores lograron una tasa de error promedio del 8,40 por ciento, una mejora significativa respecto a las tasas de error del 13 al 18 por ciento típicas de los métodos anteriores.

El estudio contó con 100 participantes que ayunaron durante al menos ocho horas antes de la prueba. Cada persona colocó su rostro frente a la cámara de un smartphone, que grabó un vídeo de sus mejillas durante unos 40 segundos. Al mismo tiempo, una prueba estándar de pinchazo en el dedo proporcionó una medición de referencia de su azúcar en sangre. Los investigadores procesaron entonces el vídeo para extraer la señal del pulso, convirtiendo los datos brutos en un mapa visual que mostraba cómo cambiaba la energía del flujo sanguíneo a través de diferentes velocidades de vibración. Este mapa reveló que la información más importante para adivinar el azúcar en sangre se concentraba en un rango específico de baja velocidad de la señal. Cuando compararon los mapas de personas con azúcar en sangre normal con los de personas con niveles ligeramente elevados y aquellos con diabetes, surgió un patrón distintivo. La potencia de la señal en ese rango específico de baja velocidad descendió para las personas con azúcar ligeramente alta, solo para volver a subir para aquellas con azúcar significativamente alta.

Este patrón "bifásico", donde la señal baja y luego vuelve a subir, explica por qué los métodos anteriores tuvieron dificultades. Los enfoques más antiguos a menudo dependían de modelos lineales que asumen una relación de línea recta, esperando que la señal suba o baje siempre a medida que el azúcar aumenta. Debido a que la señal en realidad cae y luego sube, un modelo lineal se confunde, viendo la caída y la subida como ruido contradictorio en lugar de una historia única y coherente. El nuevo enfoque utilizó una red neuronal compacta, un tipo de inteligencia artificial diseñada para reconocer formas y patrones complejos, para interpretar esta relación curva. El sistema aprendió a distinguir entre la caída asociada con los cambios metabólicos tempranos y el aumento asociado con el endurecimiento vascular más avanzado. El resultado fue un modelo que podía predecir los niveles de azúcar en sangre con alta precisión, particularmente para personas con niveles normales o ligeramente elevados, que es el grupo más crítico para el cribado temprano.

Los investigadores también probaron si el sistema podía mejorarse aprendiendo de la propia historia de un individuo. Encontraron que si un usuario proporcionaba solo cinco lecturas pasadas de azúcar en sangre para calibrar el sistema, la precisión mejoraba aún más, especialmente en los días inmediatamente posteriores a la calibración. Sin embargo, el sistema funcionaba bien incluso sin estos datos personales, lo que sugiere que podría ser útil para el cribado de la población general donde no hay un historial médico previo disponible. El estudio fue riguroso en su diseño, utilizando un método llamado validación cruzada para asegurar que el modelo no estuviera simplemente memorizando a las personas específicas con las que fue entrenado, sino que estuviera aprendiendo una regla general aplicable a personas nuevas. El modelo funcionó de manera consistente en diferentes edades y géneros, aunque mostró una dificultad ligeramente mayor con el pequeño grupo de participantes que tenían un azúcar en sangre muy alto, una limitación que los autores atribuyen al pequeño número de tales casos en su conjunto de datos.

Si bien los resultados son prometedores, los autores tienen cuidado en presentar esto como una prueba de concepto técnica en lugar de un dispositivo médico terminado. El estudio se realizó en condiciones controladas con participantes en ayunas, y los investigadores no probaron el sistema en personas comiendo comidas o de forma continua. Además, el grupo de estudio se extrajo de un solo país, y el rendimiento en personas con diferentes tonos de piel o en diferentes entornos aún no se ha verificado plenamente. La conexión entre los patrones de luz específicos y los cambios biológicos subyacentes, como la rigidez de los vasos sanguíneos, está respaldada por la literatura médica existente, pero no se midió directamente en este grupo de personas específico. Los investigadores sugieren que los cambios de señal observados son probablemente causados por la forma en que los altos niveles de azúcar alteran la dinámica del flujo sanguíneo y la elasticidad de los vasos, pero enfatizan que se necesitan estudios futuros con mediciones vasculares directas para confirmar el mecanismo biológico exacto.

A pesar de estas limitaciones, el trabajo representa un paso significativo hacia la búsqueda de una monitorización de la salud no invasiva. Al cambiar el enfoque de las mediciones temporales simples al análisis detallado de la frecuencia de la señal y cómo cambia con el tiempo, el equipo descubrió una estructura oculta en los datos que los métodos lineales pasaron por alto. La capacidad de detectar una respuesta no lineal y de dos etapas en la señal del flujo sanguíneo proporciona una explicación plausible de por qué los intentos anteriores fallaron y ofrece un camino claro para futuras mejoras. Los hallazgos sugieren que, con las herramientas computacionales adecuadas, la cámara de un smartphone puede capturar cambios fisiológicos sutiles que antes eran invisibles para el análisis estándar, abriendo la puerta a formas más accesibles y menos invasivas de gestionar la salud metabólica.