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

Per milioni di persone che vivono con il diabete, controllare la glicemia è un rituale quotidiano che comporta una puntura acuta del dito e una goccia di sangue. Sebbene i dispositivi moderni abbiano reso questo processo più semplice, la necessità di test invasivi rimane una barriera per lo screening diffuso e il monitoraggio continuo. Gli scienziati cercano da tempo un modo per misurare i livelli di glucosio senza rompere la pelle, rivolgendosi invece alla luce che rimbalza sulla nostra pelle. Quando il sangue pulsa attraverso i minuscoli vasi appena sotto la superficie, assorbe e riflette la luce in modi sottili. Le telecamere degli smartphone sono abbastanza sensibili da rilevare queste minuscole, ritmiche fluttuazioni di colore, una tecnica nota come fotopletismografia remota. La sfida è stata che la connessione tra questi modelli di luce e lo zucchero nel sangue non è una linea retta semplice; la risposta del corpo ai livelli elevati di zucchero cambia nel tempo, rendendo difficile per gli strumenti matematici standard trovare un segnale affidabile nel rumore.

Un team di ricercatori della Corea del Sud ha ora dimostrato un nuovo modo per leggere questi segnali, andando oltre le semplici medie per esaminare il complesso ritmo del flusso sanguigno stesso. Analizzando le riprese video del volto di una persona registrate con uno smartphone standard, sono stati in grado di stimare i livelli di glicemia a digiolo con un livello di accuratezza che supera i precedenti tentativi non invasivi. La chiave del loro successo non è stata solo osservare quanto cambiasse il volume del sangue, ma esaminare le frequenze specifiche di tali cambiamenti nel tempo. Hanno scoperto che la relazione tra lo zucchero nel sangue e il segnale del flusso sanguigno non è una linea retta; al contrario, segue un modello curvo e a due fasi, in cui il segnale si comporta diversamente nelle fasi iniziali di alto zucchero rispetto alle fasi successive, più gravi. Utilizzando un modello informatico capace di riconoscere questo modello curvo, i ricercatori hanno ottenuto un tasso di errore medio dell'8,40 percento, un miglioramento significativo rispetto ai tassi di errore del 13-18 percento tipici dei metodi precedenti.

Lo studio ha coinvolto 100 partecipanti che sono rimasti a digiuno per almeno otto ore prima del test. Ogni persona ha posizionato il viso davanti alla telecamera di uno smartphone, che ha registrato un video delle guance per circa 40 secondi. Allo stesso tempo, un test standard tramite puntura del dito ha fornito una misurazione di riferimento del loro zucchero nel sangue. I ricercatori hanno poi elaborato il video per estrarre il segnale del polso, convertendo i dati grezzi in una mappa visiva che mostrava come l'energia del flusso sanguigno cambiasse attraverso diverse velocità di vibrazione. Questa mappa ha rivelato che l'informazione più importante per indovinare lo zucchero nel sangue era concentrata in un intervallo specifico di bassa velocità del segnale. Quando hanno confrontato le mappe delle persone con un livello di zucchero normale a quelle con livelli leggermente elevati e a quelle con il diabete, è emerso un modello distinto. La potenza del segnale in quell'intervallo specifico di bassa velocità è diminuita per le persone con un leggero aumento dello zucchero, per poi aumentare nuovamente per quelle con uno zucchero significativamente alto.

Questo modello "bifasico", in cui il segnale scende e poi risale, spiega perché i metodi precedenti avessero incontrato difficoltà. Gli approcci più vecchi spesso si basavano su modelli lineari che assumono una relazione lineare, aspettandosi che il segnale salga o scenda sempre all'aumentare dello zucchero. Poiché il segnale in realtà cala e poi risale, un modello lineare si confonde, vedendo il calo e la risalita come rumore contraddittorio piuttosto che come un'unica, coerente storia. Il nuovo approccio ha utilizzato una rete neurale compatta, un tipo di intelligenza artificiale progettata per riconoscere forme e modelli complessi, per interpretare questa relazione curva. Il sistema ha imparato a distinguere tra il calo associato ai cambiamenti metabolici precoci e la risalita associata a un più avanzato irrigidimento vascolare. Il risultato è stato un modello in grado di prevedere i livelli di zucchero nel sangue con alta precisione, in particolare per le persone con livelli normali o leggermente elevati, che è il gruppo più critico per lo screening precoce.

I ricercatori hanno anche testato se il sistema potesse essere migliorato imparando dalla storia individuale di un utente. Hanno scoperto che se un utente forniva solo cinque letture passate della glicemia per calibrare il sistema, l'accuratezza migliorava ulteriormente, specialmente nei giorni immediatamente successivi alla calibrazione. Tuttavia, il sistema funzionava bene anche senza questi dati personali, suggerendo che potesse essere utile per lo screening della popolazione generale dove non è disponibile alcuna storia medica precedente. Lo studio è stato rigoroso nella sua progettazione, utilizzando un metodo chiamato validazione incrociata per garantire che il modello non stesse semplicemente memorizzando le persone specifiche su cui era stato addestrato, ma stesse effettivamente imparando una regola generale applicabile a nuove persone. Il modello si è comportato costantemente tra diverse età e generi, sebbene abbia mostrato una difficoltà leggermente maggiore con il piccolo gruppo di partecipanti che avevano uno zucchero nel sangue molto alto, un limite che gli autori attribuiscono al piccolo numero di tali casi nel loro dataset.

Sebbene i risultati siano promettenti, gli autori sono cauti nel presentare questo lavoro come una prova di concetto tecnica piuttosto che come un dispositivo medico finito. Lo studio è stato condotto in condizioni controllate con partecipanti a digiuno, e i ricercatori non hanno testato il sistema su persone che mangiavano pasti o su base continua. Inoltre, il gruppo di studio è stato tratto da un singolo paese, e le prestazioni su persone con diverse tonalità di pelle o in diversi ambienti non sono ancora state pienamente verificate. La connessione tra i modelli di luce specifici e i cambiamenti biologici sottostanti, come la rigidità dei vasi sanguigni, è supportata dalla letteratura medica esistente ma non è stata misurata direttamente in questo gruppo specifico di persone. I ricercatori suggeriscono che i cambiamenti del segnale osservati siano probabilmente causati dal modo in cui gli alti livelli di zucchero alterano la dinamica del flusso sanguigno e l'elasticità dei vasi, ma sottolineano che sono necessari studi futuri con misurazioni vascolari dirette per confermare l'esatto meccanismo biologico.

Nonostante queste limitazioni, il lavoro rappresenta un passo avanti significativo nella ricerca del monitoraggio della salute non invasivo. Spostando l'attenzione dalle semplici misurazioni basate sul tempo a un'analisi dettagliata della frequenza del segnale e di come esso cambi nel tempo, il team ha scoperto una struttura nascosta nei dati che i metodi lineari hanno mancato. La capacità di rilevare una risposta non lineare a due fasi nel segnale del flusso sanguigno fornisce una spiegazione plausibile del perché i tentativi precedenti siano falliti e offre una via chiara per miglioramenti futuri. I risultati suggeriscono che, con gli strumenti computazionali giusti, una telecamera di uno smartphone può catturare cambiamenti fisiologici sottili che erano precedentemente invisibili all'analisi standard, aprendo la porta a modi più accessibili e meno invasivi per gestire la salute metabolica.