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

Voor miljoenen mensen die met diabetes leven, is het controleren van de bloedsuikerspiegel een dagelijks ritueel dat gepaard gaat met een scherpe prik in de vinger en een druppel bloed. Hoewel moderne apparaten dit proces gemakkelijker hebben gemaakt, blijft de noodzaak voor invasieve tests een barrière voor grootschalige screening en continue monitoring. Wetenschappers zoeken al lang naar een manier om glucosewaarden te meten zonder de huid te doorbreken, waarbij ze zich in plaats daarvan richten op het licht dat van onze huid weerkaatst. Wanneer bloed door de kleine vaten net onder het oppervlak stroomt, absorbeert en reflecteert het licht op subtiele manieren. Camera's op smartphones zijn gevoelig genoeg om deze kleine, ritmische fluctuaties in kleur te detecteren, een techniek die bekend staat als remote fotoplethysmograaf. De uitdaging was dat de verbinding tussen deze lichtpatronen en de bloedsuiker geen eenvoudige, rechte lijn is; de reactie van het lichaam op een hoge suikerwaarde verandert in de loop van de tijd, wat het voor standaard wiskundige instrumenten moeilijk maakt om een betrouwbaar signaal in de ruis te vinden.

Een team onderzoekers uit Zuid-Korea heeft nu een nieuwe manier gedemonstreerd om deze signalen te lezen, waarbij ze verder gaan dan eenvoudige gemiddelden en kijken naar het complexe ritme van de bloedstroom zelf. Door videobeelden van het gezicht van een persoon te analyseren, opgenomen met een standaard smartphone, waren zij in staat om de nuchtere bloedglucosewaarden te schatten met een nauwkeurigheid die eerdere niet-invasieve pogingen overtreft. De sleutel tot hun succes was niet alleen het kijken naar hoeveel het bloedvolume veranderde, maar het onderzoeken van de specifieke frequenties van die veranderingen in de loop van de tijd. Ze ontdekten dat de relatie tussen de bloedsuiker en het bloedstromingssignaal geen rechte lijn is; in plaats daarvan volgt het een gebogen, tweeledig patroon waarbij het signaal zich anders gedraagt in de vroege stadia van een hoge bloedsuiker vergeleken met de latere, meer ernstige stadia. Door een computermodel te gebruiken dat in staat is dit gebogen patroon te herkennen, bereikten de onderzoekers een gemiddelde foutmarge van 8,40 procent, een significante verbetering ten opzichte van de foutmarges van 13 tot 18 procent die typerend zijn voor eerdere methoden.

De studie omvatte 100 deelnemers die minstens acht uur nuchter waren voor de test. Elke persoon plaatste zijn gezicht voor een smartphonecamera, die ongeveer 40 seconden lang video van hun wangen opnam. Tegelijkertijd bood een standaard vingerpriktest een referentiemeting van hun bloedsuiker. De onderzoekers verwerkten vervolgens de video om het pulssignaal te extraheren, waarbij de ruwe gegevens werden omgezet in een visuele kaart die liet zien hoe de energie van de bloedstroom veranderde over verschillende snelheden van trilling. Deze kaart onthulde dat de belangrijkste informatie voor het raden van de bloedsuiker geconcentreerd was in een specifiek, laag-snelheidsbereik van het signaal. Wanneer zij de kaarten van mensen met een normale bloedsuiker vergeleken met die van mensen met licht verhoogde niveaus en die met diabetes, kwam er een duidelijk patroon naar voren. Het signaalvermogen in dat specifieke laag-snelheidsbereik daalde voor mensen met een licht verhoogde suiker, om vervolgens weer te stijgen voor mensen met een aanzienlijk hoge suiker.

Dit "bifasische" patroon, waarbij het signaal eerst daalt en dan weer stijgt, verklaart waarom eerdere methoden moeite hadden. Oudere benaderingen vertrouwden vaak op lineaire modellen die uitgaan van een rechtlijnige relatie, waarbij wordt verwacht dat het signaal ofwel altijd omhoog gaat of altijd omlaag gaat naarmate de suikerwaarden stijgen. Omdat het signaal in werkelijkheid een dip vertoont en daarna weer stijgt, raakt een lineair model in de war; het ziet de dip en de stijging als tegenstrijdige ruis in plaats van één samenhangend verhaal. De nieuwe aanpak gebruikte een compact neuraal netwerk, een type kunstmatige intelligentie ontworpen om complexe vormen en patronen te herkennen, om deze gebogen relatie te interpreteren. Het systeem leerde onderscheid te maken tussen de dip die geassocieerd wordt met vroege metabole veranderingen en de stijging die geassocieerd wordt met meer gevorderde vasculaire stijfheid. Het resultaat was een model dat in staat was om bloedsuikerwaarden met hoge precisie te voorspellen, met name voor mensen met normale of licht verhoogde niveaus, wat de meest cruciale groep is voor vroege screening.

De onderzoekers testten ook of het systeem verbeterd kon worden door te leren van de eigen geschiedenis van een individu. Ze ontdekten dat als een gebruiker slechts vijf eerdere bloedsuikerwaarden verstrekt om het systeem te kalibreren, de nauwkeurigheid nog verder verbeterde, vooral in de dagen direct volgend op de kalibratie. Echter, het systeem werkte ook goed zonder deze persoonlijke gegevens, wat suggereert dat het nuttig kan zijn voor algemene populatiescreening waarbij geen eerdere medische geschiedenis beschikbaar is. De studie was rigoureus in haar ontwerp, waarbij een methode genaamd cross-validatie werd gebruikt om te waarborgen dat het model niet simpelweg de specifieke mensen memoriseerde waarop het getraind was, maar daadwerkelijk een algemene regel leerde die voor nieuwe mensen geldt. Het model presteerde consistent over verschillende leeftijden en geslachten, hoewel het iets meer moeite toonde met de kleine groep deelnemers die een zeer hoge bloedsuiker hadden, een beperking die de auteurs toeschrijven aan het kleine aantal dergelijke gevallen in hun dataset.

Hoewel de resultaten veelbelovend zijn, zijn de auteurs voorzichtig om dit te presenteren als een technisch bewijs van concept (proof of concept) in plaats van een afgewerkt medisch apparaat. De studie werd uitgevoerd onder gecontroleerde omstandigheden met nuchtere deelnemers, en de onderzoekers hebben het systeem niet getest bij mensen die maaltijden nuttigen of op een continue basis. Bovendien was de onderzoeksgroep afkomstig uit één land, en de prestaties bij mensen met verschillende huidtinten of in verschillende omgevingen zijn nog niet volledig geverifieerd. De connectie tussen de specifieke lichtpatronen en de onderliggende biologische veranderingen, zoals de stijfheid van de bloedvaten, wordt ondersteund door bestaande medische literatuur, maar werd in deze specifieke groep niet direct gemeten. De onderzoekers suggereren dat de waargenomen signaalveranderingen waarschijnlijk worden veroorzaakt door de manier waarop hoge suikerwaarden de bloedstroomdynamiek en de elasticiteit van de vaten veranderen, maar zij benadrukken dat toekomstige studies met directe vasculaire metingen nodig zijn om het exacte biologische mechanisme te bevestigen.

Ondanks deze beperkingenën vertegenwoordigt het werk een belangrijke stap voorwaarts in de zoektocht naar niet-invasieve gezondheidsmonitoring. Door de focus te verschuiven van eenvoudige tijdsgebaseerde metingen naar een gedetailleerde analyse van de frequentie van het signaal en hoe dit in de loop van de tijd verandert, hebben de onderzoekers een verborgen structuur in de data ontdekt die lineaire methoden misten. Het vermogen om een niet-lineaire, tweefasige respons in het bloedstromingssignaal te detecteren, biedt een plausibele verklaring voor waarom eerdere pogingen tekortschoten en biedt een duidelijk pad voor toekomstige verbeteringen. De bevindingen suggereren dat met de juiste computationele instrumenten een smartphonecamera subtiele fysiologische veranderingen kan vastleggen die voorheen onzichtbaar waren voor standaardanalyse, wat de deur opent naar toegankelijkere en minder invasieve manieren om de metabole gezondheid te beheren.