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

糖尿病と共に生きる何百万もの人々にとって、血糖値をチェックすることは、指先に鋭い針を刺して血を一滴取るという、日常的な儀式です。現代のデバイスによってこのプロセスは容易になりましたが、侵襲的な検査の必要性が、広範なスクリーニングや継続的なモニタリングへの障壁として依然として残っています。科学者たちは、皮膚を傷つけることなく血糖値を測定する方法を長年探し求めており、代わりに私たちの肌から跳ね返ってくる光に注目してきました。血液が皮膚のすぐ下の微細な血管内を脈動するとき、それは光を吸収し、反射します。スマートフォンのカメラは、リモート・フォトプレチスモグラフィー（遠隔光電容積脈波法）として知られる技術を用いて、これらの微細でリズムのある色の変化を検出できるほど敏感です。課題は、これらの光のパターンと血糖値との関係が単純な直線ではないことでした。体が高血糖レベルに対して示す反応は時間の経過とともに変化するため、標準的な数学的ツールでは信頼できる信号をノイズの中から見つけ出すことが困難だったのです。

韓国の研究チームは、単純な平均値を超えて、血流自体の複雑なリズムに着目するという、信号を読み取るための新しい方法を提示しました。標準的なスマートフォンのビデオ映像を分析することで、彼らは、従来の非侵襲的な試みを上回る精度で空腹時血糖値を推定することに成功しました。成功の鍵は、単に血流量がどのように変化するかを見るだけでなく、それらの変化の特定の周波数を調べたことにありました。彼らは、血糖値と血流信号の関係が直線ではなく、高血糖の初期段階と、より深刻な後期段階では信号の挙動が異なるという、曲線の二相的なパターンに従っていることを発見しました。この曲線のパターンを認識できるコンピュータモデルを使用することで、研究者たちは平均誤差率8.40パーセントを達成しました。これは、従来のメソッドで一般的であった13〜18パーセントの誤差率と比較して、大幅な改善となります。

研究には、少なくとも8時間の絶食を行った100人の参加者が含まれました。各参加者はスマートフォンのカメラの前に顔を置き、頬のビデオを約40秒間記録しました。同時に、標準的な指先穿刺テストが、参照測定値としての血糖値を提供しました。研究者たちはその後、ビデオを処理してパルス信号を抽出し、生のデータを、血流のエネルギーが異なる振動速度においてどのように変化するかを示す視覚的なマップへと変換しました。このマップにより、血糖値を推測するための最も重要な情報は、信号の特定の低速範囲に集中していることが明らかになりました。正常な血糖値を持つ人々と、血糖値がわずかに高い人、そして糖尿病患者のマップを比較したところ、明確なパターンが現れました。その特定の低速範囲における信号強度は、血糖値がわずかに高い人では低下し、血糖値が著しく高い人では再び上昇したのです。

この、信号が一度下がり、その後再び上がるという「二相性」のパターンこそが、なぜ従来の方法が苦戦してきたのかを説明しています。古いアプローチは、血糖値の上昇に伴って信号が常に上がるか、あるいは常に下がることを想定する線形モデルに依存することがよくありました。信号が実際に低下した後に上昇するため、直線的なモデルは、この低下と上昇を一つの整合性のある物語としてではなく、矛盾するノイズとして捉えて混乱してしまうのです。新しいアプローチでは、複雑な形状やパターンを認識するように設計された人工知能の一種であるコンパクトなニューラルネットワークを使用して、この曲線的な関係を解釈しました。システムは、初期の代謝変化に関連する低下と、進行した血管の硬化に関連する上昇を区別することを学習しました。その結果、特に正常または血糖値がわずかに高い層、すなわち早期スクリーニングにおいて最も重要なグループに対して、高い精度で血糖値を予測できるモデルとなりました。

研究者たちはまた、個人の履歴から学習することでシステムを改善できるかどうかについてもテストを行いました。その結果、ユーザーが校正のために過去5回分の血糖値データを提供した場合、特に校正直後の数日間において、精度がさらに向上することが分かりました。しかし、このシステムは事前の個人データがなくても良好に機能したため、事前の病歴がない一般的な集団のスクリーニングにおいても有用であることが示唆されました。研究は、モデルが単に訓練された特定の人物を暗記しているのではなく、新しい人々にも適用できる一般的な規則を実際に学習していることを確認するために、クロスバリデーションと呼ばれる手法を用いて厳格に設計されました。モデルは異なる年齢や性別に対しても一貫したパフォーマンスを示しましたが、血糖値が非常に高い少数の参加者に対しては、わずかに困難を示す傾向がありました。著者らは、この制限をデータセット内のそのようなケースの少なさに起因するものとしています。

有望な結果ではありますが、著者らはこれを完成した医療機器ではなく、技術的な概念実証として慎重に位置づけています。研究は、絶食中の参加者を対象に管理された条件下で行われ、食事中の人々や継続的なモニタリングについてはテストされていません。さらに、研究グループは単一の国から選ばれており、異なる肌のトーンや異なる環境におけるパフォーマンスについては、まだ十分に検証されていません。特定の光のパターンと、血管の硬さなどの基礎となる生物学的変化との関連性は、既存の医学文献によって支持されていますが、この特定のグループにおいて直接測定されたものではありません。研究者たちは、観察された信号の変化は、高血糖レベルが血流のダイナミクスや血管の弾力性を変える方法によって引き起こされる可能性が高いと考えていますが、正確な生物学的メカニズムを確認するためには、将来的な直接的な血管測定を伴う研究が必要であると強調しています。

こうした限界はあるものの、この研究は、非侵襲的な健康モニタリングの探求における重要な一歩を表しています。単純な時間ベースの測定から、信号の周波数とそれが時間の経過とともにどのように変化するかという詳細な分析へと焦点を移すことで、チームは線形メソッドが見逃していたデータの中に隠れた構造を発見しました。血流信号における非線形で二段階の反応を検出できる能力は、なぜ初期の試みが失敗したのかに対する妥当な説明を提供し、将来の改善への明確な道筋を示しています。適切な計算ツールがあれば、スマートフォンのカメラが、標準的な分析では不可視であった微細な生理学的変化を捉えられることを、今回の知見は示唆しており、代謝の健康管理における、よりアクセスしやすく侵襲性の低い方法への扉を開いています。