🤖 machine learning

An Exploratory Study of Blood Glucose Estimation from Photoplethysmography Signals using Machine Learning

Este artigo apresenta um novo conjunto de dados pareados de sinais de fotopletismografia (PPG) derivados de smartwatch e valores de monitoramento contínuo de glicose (CGM), apresentando resultados preliminares que sugerem a viabilidade do uso de aprendizado de máquina para estimar níveis de glicose no sangue de forma não invasiva, ao mesmo tempo em que destaca a necessidade de mais pesquisas com conjuntos de dados maiores.

Autores originais: Ruhani Bhatia, Vijval Ekbote

Publicado 2026-06-16

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Ruhani Bhatia, Vijval Ekbote

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que o seu corpo é como uma cidade movimentada, e o açúcar no sangue é o combustível que mantém os carros (as suas células) funcionando. Às vezes, o nível de combustível fica muito baixo ou muito alto, o que é perigoso para pessoas com diabetes. Atualmente, a melhor maneira de verificar esse nível de combustível é com um Monitor Contínuo de Glicose (CGM), mas isso exige espetar uma pequena agulha sob a sua pele a cada poucos dias. É preciso, mas dói e irrita a pele.

Os pesquisadores deste artigo fizeram uma pergunta simples: Podemos verificar o nível de combustível sem a agulha?

Eles decidiram tentar usar um smartwatch em vez disso. Os smartwatches já possuem um sensor que lança uma luz no seu pulso para medir o seu pulso (chamado de sinal PPG). Os pesquisadores pensaram: "Talvez a maneira como o seu pulso muda quando os seus níveis de açúcar mudam e, se usarmos um cérebro de computador superinteligente (Aprendizado de Máquina), podemos descobrir o nível de açúcar apenas observando o pulso."

Aqui está como eles tentaram fazer isso funcionar, explicado de forma simples:

1. Coleta de "Dados de Treinamento"

Para ensinar um computador a adivinhar os níveis de açúcar, você precisa mostrar a ele exemplos onde você conhece tanto o pulso quanto o nível real de açúcar ao mesmo tempo.

A Equipe: Eles encontraram 5 voluntários (3 homens e 2 mulheres).
O Equipamento: Cada voluntário usou um smartwatch no pulso e um sensor de CGM (o dispositivo de agulha) no braço durante duas semanas seguidas.
O Resultado: Eles criaram um enorme "conjunto de dados pareados". É como ter um diário onde cada segundo de um pulso cardíaco é correspondido com o nível exato de açúcar naquele momento. Isso é raro porque a maioria dos estudos anteriores analisou dados por apenas alguns minutos.

2. Limpando os Dados Bagunçados

Os dados que coletaram eram um pouco bagunçados, como tentar comparar um vídeo de alta velocidade com uma foto em câmera lenta.

O Problema: O smartwatch registrava dados 64 vezes por segundo (muito rápido), mas o CGM fornecia uma nova leitura de açúcar a cada 15 minutos (muito lento).
A Solução: Eles usaram um truque matemático chamado interpolação. Imagine desenhar uma linha curva e suave conectando os pontos das leituras lentas de açúcar. Isso permitiu que eles adivinhassem qual era o nível de açúcar em cada segundo, combinando com a velocidade do smartwatch.

3. Ensinando o Computador (Os Experimentos)

Eles alimentaram esses dados limpos em um modelo de computador (um tipo de Inteligência Artificial chamada Rede Neural) para ver se ele conseguia aprender o padrão.

Experimento A: O Teste da "Mesma Pessoa"
Eles treinaram o computador com os dados de uma pessoa e o testaram nos dados futuros dessa mesma pessoa.
- O Resultado: Funcionou razoavelmente bem! O computador conseguia adivinhar o nível de açúcar com alguma precisão, mas não era perfeito. Era como um aluno que estudou muito para a prova de um professor específico, mas pode ter dificuldades com um professor diferente.
Experimento B: O Teste da "Personalização"
Eles tentaram treinar o computador com os dados de três pessoas e, depois, ajustá-lo levemente para funcionar para uma quarta pessoa.
- O Resultado: O computador acertou o nível de açúcar médio aproximadamente, mas foi terrível ao adivinhar o tempo exato. Era como um meteorologista que sabe que vai chover amanhã, mas não consegue dizer se a chuva começará às 9h ou às 14h. As previsões estavam fora de sincronia com a realidade.
Experimento C: O Teste da "Viagem no Tempo"
Eles se perguntaram: "Será que o pulso muda antes do açúcar mudar?" Então, tentaram prever o nível de açúcar para 10, 15 ou 20 minutos no futuro.
- O Resultado: Foi inconsistente. Às vezes funcionava, às vezes não. Dependia muito da pessoa específica, o que significa que não era uma regra confiável para todos.

4. O Teste de Segurança (A Parte Mais Importante)

Antes de um dispositivo médico ser usado em pessoas reais, ele deve passar por um teste de segurança rigoroso chamado Grade de Erro de Clarke. Esta grade verifica se um erro de previsão poderia levar a decisões médicas perigosas.

O Objetivo: Você quer que 100% das previsões estejam na "Zona Segura" (Zona A).
A Realidade: Apenas cerca de 74% das previsões deles caíram na zona segura.
O Perigo: Cerca de 26% das previsões caíram na "Zona E". Nesta zona, o computador pode dizer que o seu açúcar está baixo quando na verdade está alto (ou vice-versa). Se uma pessoa real usasse isso, ela poderia tomar o medicamento errado, o que pode ser fatal.

A Conclusão

Os pesquisadores construíram com sucesso um conjunto de dados único e provaram que existe um sinal nos dados do smartwatch que se relaciona com o açúcar no sangue. No entanto, o modelo de computador atual não está pronto para o mundo real.

Eles afirmam explicitamente que os seus resultados não são seguros para uso clínico ainda. A tecnologia é como um carro protótipo que pode dirigir em uma rua calma, mas não está pronto para o tráfego de uma rodovia. Eles esperam que o seu conjunto de dados ajude outros cientistas a construir uma versão melhor e mais segura no futuro.

Resumo Técnico: Estudo Exploratório de Estimativa de Glicemia a partir de Sinais de PPG

Problema
O gerenciamento do diabetes depende fortemente do Monitoramento Contínuo de Glicose (CGM), porém os dispositivos tradicionais de CGM são invasivos, exigem perfuração da pele e apresentam riscos de infecção e irritação. Embora alternativas não invasivas sejam necessárias, as abordagens existentes de aprendizado de máquina (ML) para estimar a glicemia a partir de sinais fisiológicos frequentemente sofrem com a falta de dados pareados densos e de longa duração. Estudos anteriores utilizando sinais de Fotopletismografia (PPG) tipicamente registraram dados por durações muito curtas (frequentemente abaixo de 3 minutos) ou falharam em parear sinais de PPG com medições contínuas de glicose ao longo de períodos estendidos, limitando a capacidade de treinar modelos de aprendizado profundo robustos.

Metodologia
Os autores propõem uma estrutura baseada em aprendizado de máquina para estimar os níveis de glicose no sangue usando sinais de PPG não invasivos capturados por smartwatches. A metodologia é estruturada em torno da criação de um conjunto de dados único e da aplicação de técnicas específicas de processamento de sinais e modelagem:

Criação do Conjunto de Dados: Um conjunto de dados pareado foi construído envolvendo cinco voluntários (3 homens, 2 mulheres) monitorados ao longo de um período de 14 dias.
- Dados de PPG: Coletados via smartwatches Empatica EmbracePlus a uma taxa de amostragem de 64 Hz.
- Dados de Glicose: Coletados simultaneamente via dispositivos de CGM Freestyle Libre (inicialmente registrados em intervalos de 15 minutos).
- Conformidade Ética: O estudo recebeu permissão prévia do Comitê de Ética em Pesquisa.
Pré-processamento de Dados:
- Interpolação: Para abordar a disparidade entre os dados de alta frequência do PPG (64 Hz) e os dados de baixa frequência da glicose (intervalos de 15 minutos), a interpolação por spline cúbica foi aplicada aos valores de glicose. Isso permitiu a geração de uma curva de glicose suave, possibilitando a criação de um conjunto de treinamento denso onde cada passo de tempo do PPG poderia ser pareado com um valor de glicose correspondente.
- Extração de Características: Os sinais brutos de PPG foram processados usando uma estrutura de janela deslizante (janela de 60 segundos, sobreposição de 50%/passo de 30 segundos) para mitigar o ruído e garantir a inclusão de múltiplos ciclos cardíacos. Usando a biblioteca pyPPG, 918 características foram extraídas por janela, abrangendo:
  - Características no domínio do tempo: Amplitude máxima/média, assimetria (skewness), curtose, energia.
  - Características no domínio da frequência: Frequência dominante, potência total.
  - Características de Variabilidade da Frequência Cardíaca (HRV): Intervalo interbatimento médio, desvio padrão dos intervalos normal-a-normal, batimentos por minuto.
Modelagem: Foi empregado um Perceptron Multicamadas (MLP) com duas camadas ocultas (100 neurônios cada) e ativação ReLU. O modelo foi otimizado usando o otimizador Adam. Os experimentos incluíram treinamento/teste no mesmo sujeito, personalização de modelos para sujeitos específicos via ajuste fino (fine-tuning), e predição de valores de glicose com atrasos de tempo ( $\tau$ ) de 10, 15 e 20 minutos.

Principais Resultados
O estudo apresenta resultados experimentais preliminares que destacam tanto o potencial quanto as limitações significativas:

Desempenho no Mesmo Sujeito: Quando o treinamento e o teste foram realizados no mesmo sujeito (divisão temporal 80-20), o modelo alcançou um Erro Percentual Absoluto Médio (MAPE) variando de 7,65% a 14,28% em diferentes dias, com um MSE médio de 0,65.
Personalização: O ajuste fino de um modelo geral nos dados de um sujeito específico resultou em um Erro Absoluto Médio (MAE) de 1,0581 e um RMSE de 3,5597. No entanto, o modelo exibiu uma subestimação sistemática (viés de -0,6850).
Problemas de Sincronização: Apesar dos baixos valores de RMSE, o Coeficiente de Correlação de Concordância de Lin (CCC) foi extremamente baixo (0,0142), indicando que as predições do modelo não estavam efetivamente sincronizadas com as tendências da glicose real (ground truth).
Predição de Atraso Temporal: A predição de valores de glicose futuros (10–20 minutos à frente) mostrou instabilidade significativa e variância de desempenho entre os sujeitos.
Avaliação de Segurança Clínica: Utilizando a Grade de Erro de Clarke, apenas 73,64% das predições caíram na Zona A (clinicamente precisas). Crucialmente, 25,63% das predições caíram na Zona E, representando erros perigosos que poderiam levar a um tratamento incorreto. Os resultados não atenderam ao padrão ISO 15197:2013 para aprovação clínica.

Principais Contribuições

Conjunto de Dados Pareado Denso: A principal contribuição é a criação e disponibilização de um conjunto de dados denso, de longa duração (14 dias), vinculando sinais de PPG de alta frequência de smartwatches com medições contínuas de glicose de dispositivos CGM. Isso aborda uma escassez crítica de dados na área.
Análise Exploratória: O artigo fornece uma avaliação de base do uso de MLPs para esta tarefa, demonstrando que, embora existam sinais preditivos, os modelos atuais lutam com sincronização e precisão clínica.
Estrutura Metodológica: O estudo detalha um pipeline para lidar com dados multimodais com diferentes taxas de amostragem, incluindo estratégias de interpolação e engenharia de características para sinais de PPG.

Significância e Alegações
Os autores posicionam este trabalho como um estudo exploratório em vez de uma solução definitiva. Eles afirmam explicitamente que, embora os resultados sugiram a existência de sinais preditivos nos dados de PPG, os modelos atuais ainda não são adequados para implantação clínica. O artigo enfatiza que o baixo CCC e a alta porcentagem de erros perigosos (Zona E) exigem validação extensiva adicional e testes clínicos antes que qualquer afirmação sobre precisão ou acessibilidade possa ser feita. A significância do trabalho reside em fornecer um recurso fundamental (o conjunto de dados) e insights preliminares para inspirar novas pesquisas em monitoramento não invasivo de glicose, em vez de oferecer um dispositivo médico pronto para uso.