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

Pour des millions de personnes vivant avec le diabète, la vérification de la glycémie est un rituel quotidien qui implique une piqûre vive au doigt et une goutte de sang. Bien que les dispositifs modernes aient facilité ce processus, la nécessité de tests invasifs reste un obstacle à un dépistage généralisé et à une surveillance continue. Les scientifiques cherchent depuis longtemps un moyen de mesurer les niveaux de glucose sans percer la peau, en se tournant plutôt vers la lumière qui rebondit sur notre peau. Lorsque le sang circule dans les minuscules vaisseaux juste sous la surface, il absorbe et réfléchit la lumière de manières subtiles. Les caméras des smartphones sont assez sensibles pour détecter ces minuscules fluctuations rythmiques de couleur, une technique connue sous le nom de photopléthysmographie à distance. Le défi résidait dans le fait que la connexion entre ces motifs lumineux et le taux de sucre dans le sang n'est pas une ligne droite simple ; la réponse du corps aux taux de sucre élevés change au fil du temps, ce qui rend difficile pour les outils mathématiques standards de trouver un signal fiable dans le bruit.

Une équipe de chercheurs de Corée du Sud a maintenant démontré une nouvelle façon de lire ces signaux, en allant au-delà des simples moyennes pour examiner le rythme complexe du flux sanguin lui-même. En analysant les séquences vidéo du visage d'une personne enregistrées avec un smartphone standard, ils ont été capables d'estimer les niveaux de glycémie à jeun avec un niveau de précision qui surpasse les tentatives non invasives précédentes. La clé de leur succès n'était pas seulement de regarder comment le volume sanguin changeait, mais d'examiner les fréquences spécifiques de ces changements au fil du temps. Ils ont découvert que la relation entre le taux de sucre dans le sang et le signal de flux sanguin n'est pas une ligne droite ; elle suit plutôt un motif courbe en deux parties où le signal se comporte différemment lors des premières étapes d'une hyperglycémie par rapport aux étapes ultérieures, plus sévères. En utilisant un modèle informatique capable de reconnaître ce motif courbe, les chercheurs ont obtenu un taux d'erreur moyen de 8,40 %, une amélioration significative par rapport aux taux d'erreur de 13 à 18 % typiques des méthodes antérieures.

L'étude a impliqué 100 participants qui ont jeûné pendant au moins huit heures avant le test. Chaque personne a placé son visage devant une caméra de smartphone, qui a enregistré une vidéo de ses joues pendant environ 40 secondes. Simultanément, un test standard par piqûre au doigt a fourni une mesure de référence de leur glycémie. Les chercheurs ont ensuite traité la vidéo pour extraire le signal de pouls, convertissant les données brutes en une carte visuelle montrant comment l'énergie du flux sanguin changeait à travers différentes vitesses de vibration. Cette carte a révélé que l'information la plus importante pour deviner le taux de sucre dans le sang était concentrée dans une plage spécifique de basse vitesse du signal. Lorsqu'ils ont comparé les cartes des personnes ayant une glycémie normale à celles ayant des niveaux légèrement élevés et à celles atteintes de diabète, un motif distinct est apparu. La puissance du signal dans cette plage spécifique de basse vitesse a chuté pour les personnes ayant un taux de sucre légèrement élevé, pour remonter ensuite pour celles ayant un taux de sucre significativement élevé.

Ce motif « biphasique », où le signal descend puis remonte, explique pourquoi les méthodes précédentes ont eu des difficultés. Les approches plus anciennes reposaient souvent sur des modèles linéaires qui supposent une relation en ligne droite, s'attendant à ce que le signal monte ou descende toujours à mesure que le taux de sucre augmente. Parce que le signal chute puis remonte, un modèle linéaire s'embrouille, percevant la chute et la remontée comme un bruit contradictoire plutôt que comme une histoire cohérente unique. La nouvelle approche a utilisé un réseau neuronal compact, un type d'intelligence artificielle conçu pour reconnaître des formes et des motifs complexes, afin d'interpréter cette relation courbe. Le système a appris à distinguer la chute associée aux changements métaboliques précoces de la hausse associée à la rigidité vasculaire plus avancée. Le résultat est un modèle capable de prédire les niveaux de sucre dans le sang avec une grande précision, particulièrement pour les personnes ayant des niveaux normaux ou légèrement élevés, ce qui est le groupe le plus critique pour le dépistage précoce.

Les chercheurs ont également testé si le système pouvait être amélioré en apprenant de l'historique propre à un individu. Ils ont constaté que si un utilisateur fournissait seulement cinq lectures passées de sa glycémie pour calibrer le système, la précision s'améliorait encore davantage, surtout dans les jours suivant immédiatement la calibration. Cependant, le système fonctionnait bien même sans ces données personnelles, suggérant qu'il pourrait être utile pour le dépistage de la population générale où aucun historique médical préalable n'est disponible. L'étude était rigoureuse dans sa conception, utilisant une méthode appelée validation croisée pour s'assurer que le modèle ne se contentait pas de mémoriser les personnes spécifiques sur lesquelles il a été entraîné, mais qu'il apprenait réellement une règle générale applicable à de nouvelles personnes. Le modèle a fonctionné de manière constante à travers différents âges et genres, bien qu'il ait montré une difficulté légèrement accrue avec le petit groupe de participants ayant un taux de sucre très élevé, une limitation que les auteurs attribuent au faible nombre de tels cas dans leur ensemble de données.

Bien que les résultats soient prometteurs, les auteurs prennent soin de présenter cela comme une preuve de concept technique plutôt que comme un dispositif médical achevé. L'étude a été menée dans des conditions contrôlées avec des participants à jeun, et les chercheurs n'ont pas testé le système sur des personnes mangeant des repas ou de manière continue. De plus, le groupe d'étude provient d'un seul pays, et la performance sur des personnes ayant différentes carnations ou dans différents environnements n'a pas encore été pleinement vérifiée. Le lien entre les motifs lumineux spécifiques et les changements biologiques sous-jacents, tels que la rigidité des vaisseaux sanguins, est soutenu par la littérature médicale existante mais n'a pas été mesuré directement dans ce groupe spécifique de personnes. Les chercheurs suggèrent que les changements de signaux observés sont probablement causés par la façon dont les taux de sucre élevés modifient la dynamique du flux sanguin et l'élasticité des vaisseaux, mais ils soulignent que des études futures avec des mesures vasculaires directes sont nécessaires pour confirmer le mécanisme biologique exact.

Malgré ces limites, ce travail représente une étape importante dans la quête d'une surveillance de la santé non invasive. En déplaçant l'attention des simples mesures temporelles vers une analyse détaillée de la fréquence du signal et de la façon dont elle change au fil du temps, l'équipe a découvert une structure cachée dans les données que les méthodes linéaires avaient manquée. La capacité de détecter une réponse non linéaire en deux étapes dans le signal de flux sanguin offre une explication plausible de la raison pour laquelle les tentatives précédentes ont échoué et offre une voie claire pour de futures améliorations. Les conclusions suggèrent qu'avec les outils informatiques appropriés, une caméra de smartphone peut capturer des changements physiologiques subtils qui étaient auparavant invisibles pour une analyse standard, ouvrant la porte à des moyens plus accessibles et moins invasifs pour gérer la santé métabolique.