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

Para milhões de pessoas que vivem com diabetes, verificar o açúcar no sangue é um ritual diário que envolve uma picada aguda no dedo e uma gota de sangue. Embora os dispositivos modernos tenham facilitado esse processo, a necessidade de testes invasivos continua sendo uma barreira para a triagem generalizada e o monitoramento contínuo. Cientistas buscam há muito tempo uma maneira de medir os níveis de glicose sem romper a pele, voltando-se, em vez disso, para a luz que reflete em nossa pele. Quando o sangue pulsa através dos pequenos vasos logo abaixo da superfície, ele absorve e reflete a luz de maneiras sutis. As câmeras de smartphones são sensíveis o suficiente para detectar essas flutuações minúsculas e rítmicas de cor, uma técnica conhecida como fotopletismografia remota. O desafio era que a conexão entre esses padrões de luz e o açúcar no sangue não é uma linha simples e reta; a resposta do corpo aos altos níveis de açúcar muda ao longo do tempo, tornando difícil para as ferramentas matemáticas padrão encontrarem um sinal confiável no ruído.

Uma equipe de pesquisadores da Coreia do Sul demonstrou agora uma nova maneira de ler esses sinais, indo além das médias simples para observar o ritmo complexo do próprio fluxo sanguíneo. Ao analisar filmagens de vídeo do rosto de uma pessoa gravadas com um smartphone padrão, eles foram capazes de estimar os níveis de glicose em jejum com um nível de precisão que supera tentativas não invasivas anteriores. A chave para o sucesso não foi apenas observar quanto o volume sanguíneo mudava, mas examinar as frequências específicas dessas mudanças ao longo do tempo. Eles descobriram que a relação entre o açúcar no sangue e o sinal do fluxo sanguíneo não é uma linha reta; em vez disso, segue um padrão curvo de duas partes, onde o sinal se comporta de forma diferente nos estágios iniciais de alto açúcar no sangue em comparação com os estágios posteriores, mais graves. Ao usar um modelo computacional capaz de reconhecer esse padrão curvo, os pesquisadores alcançaram uma taxa de erro média de 8,40%, um melhoria significativa em relação às taxas de erro de 13 a 18% típicas de métodos anteriores.

O estudo envolveu 100 participantes que jejuaram por pelo menos oito horas antes do teste. Cada pessoa colocou o rosto à frente de uma câmera de smartphone, que gravou um vídeo de suas bochechas por cerca de 40 segundos. Ao mesmo tempo, um teste padrão de picada no dedo forneceu uma medição de referência do seu açúcar no sangue. Os pesquisadores então processaram o vídeo para extrair o sinal de pulso, convertendo os dados brutos em um mapa visual que mostrava como a energia do fluxo sanguíneo mudava através de diferentes velocidades de vibração. Esse mapa revelou que a informação mais importante para adivinhar o açúcar no sangue estava concentrada em uma faixa específica de baixa velocidade do sinal. Quando compararam os mapas de pessoas com açúcar no sangue normal com aqueles com níveis ligeiramente elevados e aqueles com diabetes, um padrão distinto surgiu. O poder do sinal nessa faixa específica de baixa velocidade caiu para pessoas com açúcar ligeiramente alto, apenas para subir novamente para aquelas com açúcar significamente alto.

Este padrão "bifásico", onde o sinal desce e depois sobe novamente, explica por que métodos anteriores tiveram dificuldades. Abordagens mais antigas frequentemente dependiam de modelos lineares que assumem uma relação de linha reta, esperando que o sinal sempre suba ou sempre desça conforme os níveis de açúcar aumentam. Como o sinal na verdade cai e depois sobe, um modelo de linha reta fica confuso, vendo a queda e a subida como algo contraditório em vez de uma história única e coerente. A nova abordagem utilizou uma rede neural compacta, um tipo de inteligência artificial projetada para reconhecer formas e padrões complexos, para interpretar essa relação curva. O sistema aprendeu a distinguir entre a queda associada a mudanças metabólicas precoces e a subida associada ao endurecimento vascular mais avançado. O resultado foi um modelo que poderia prever os níveis de açúcar no sangue com alta precisão, particularmente para pessoas com níveis normais ou ligeiramente elevados, que é o grupo mais crítico para a triagem precoce.

Os pesquisadores também testaram se o sistema poderia ser melhorado aprendendo com o histórico individual de um usuário. Eles descobriram que, se um usuário fornecesse apenas cinco leituras passadas de açúcar no sangue para calibrar o sistema, a precisão melhorava ainda mais, especialmente nos dias imediatamente após a calibração. No entanto, o sistema funcionava bem mesmo sem esses dados pessoais, sugerindo que poderia ser útil para a triagem da população geral, onde não há histórico médico prévio disponível. O estudo foi rigoroso em seu design, usando um método chamado validação cruzada para garantir que o modelo não estivesse simplesmente memorizando as pessoas específicas para as quais foi treinado, mas que estava realmente aprendendo uma regra geral que se aplica a novas pessoas. O modelo apresentou desempenho consistente em diferentes idades e gêneros, embora tenha mostrado um pouco mais de dificuldade com o pequeno grupo de participantes que tinham açúcar no sangue muito alto, uma limitação que os autores atribuem ao pequeno número de tais casos em seu conjunto de dados.

Embora os resultados sejam promissores, os autores são cuidadosos ao enquadrar isso como uma prova de conceito técnica, e não como um dispositivo médico finalizado. O estudo foi conduzido sob condições controladas com participantes em jejum, e os pesquisadores não testaram o sistema em pessoas comendo refeições ou de forma contínua. Além disso, o grupo de estudo foi extraído de um único país, e o desempenho em pessoas com diferentes tons de pele ou em diferentes ambientes ainda não foi totalmente verificado. A conexão entre os padrões de luz específicos e as mudanças biológicas subjacentes, como a rigidez dos vasos sanguíneos, é apoiada pela literatura médica existente, mas não foi medida diretamente neste grupo específico de pessoas. Os pesquisadores sugerem que as mudanças de sinal observadas são provavelmente causadas pela maneira como os altos níveis de açúcar alteram a dinâmica do fluxo sanguíneo e a elasticidade dos vasos, mas enfatizam que estudos futuros com medições vasculares diretas são necessários para confirmar o mecanismo biológico exato.

Apesar dessas limitações, este trabalho representa um passo significativo na busca pelo monitoramento de saúde não invasivo. Ao mudar o foco de simples medições baseadas no tempo para uma análise detalhada da frequência do sinal e de como ela muda ao longo do tempo, a equipe descobriu uma estrutura oculta nos dados que os métodos lineares perderam. A capacidade de detectar uma resposta não linear de dois estágios no sinal do fluxo sanguíneo fornece uma explicação plausível para o motivo pelo qual tentativas anteriores falharam e oferece um caminho claro para melhorias futuras. As descobertas sugerem que, com as ferramentas computacionais certas, uma câmera de smartphone pode capturar mudanças fisiológicas sutis que eram anteriormente invisíveis para a análise padrão, abrindo as portas para maneiras mais acessíveis e menos invasivas de gerenciar a saúde metabólica.