Udvikling og multicenter-validering af en AI-baseret Remote Photoplethysmography (rPPG) ansigtsscanning til multimodal sundhedsvurdering

Fjernfotopletysmografi (rPPG) er en ny, ikke-kontakt optisk teknologi, der muliggør ekstraktion af fysiologiske signaler fra ansigtsvideo ved hjælp af standardkameraer. Denne tilgang har fået stigende opmærksomhed inden for telemedicin på grund af dens skalerbarhed, omkostningseffektivitet og evne til at udføre fjernhelbredsundersøgelser. Nylige fremskridt inden for kunstig intelligens (AI) har yderligere udvidet potentialet for rPPG ud over grundlæggende overvågning af vitale tegn til at omfatte estimering af kardiometaboliske biomarkører og helbredsrisikoindekser. Omfattende validering af rPPG-baserede systemer mod standardiserede kliniske målinger, laboratoriebiomarkører og psykologiske parametre er dog fortsat begrænset, især i lav- og mellemindkomstmiljøer som Indonesien. I betragtning af den høje byrde af kardiometabolske sygdomme i urbane befolkninger som Jakarta, er det afgørende at evaluere nøjagtigheden og gennemførligheden af AI-baserede ansigtsskanningsteknologier for at støtte tidlig opsporing og digital helbredsintegration.

Specifikke mål

1. At vurdere overensstemmelsen mellem rPPG-afledte vitale tegn (hjertefrekvens, respirationsfrekvens, blodtryk, SpO₂) og tilsvarende målinger opnået fra standardiseret fysisk undersøgelse af uddannet personale og validerede medicinske enheder
2. At bestemme graden af overensstemmelse mellem rPPG-baserede estimater og laboratorieværdier af hæmoglobin, blodsukker, HbA1c, LDL, HDL, triglycerider og totalt kolesterol.
3. At analysere sammenhængen mellem rPPG-afledte fysiologiske parametre og niveauer af depression, angst og stress målt ved DASS 21-spørgeskemaet.
4. At beregne gennemsnitligt arterielt tryk (MAP), ASCVD-risikoscorer og hjertealder fra rPPG-output og at sammenligne disse indeks med dem afledt fra standard kliniske og laboratoriedata.
5. At udvikle og foreløbigt evaluere eksplorative algoritmer ved hjælp af rPPG-videodata til at estimere nyrefunktion, leverfunktion, muskelmasse, visceralt fedt, kropsvægt, kropshøjde, body mass index og subkutant fedt som potentielle screeningsparametre.

Metoder Denne undersøgelse vil anvende et multicentret observationsdesign udført på udvalgte underdistrikter i Jakarta og udvidet til Jabodetabek-regionen. Voksne deltagere vil gennemgå en omfattende vurdering inklusive psykologiske spørgeskemaer (DASS, PHQ, GAD), antropometriske målinger, kropskompositionsanalyse, spirometri, muskelstyrketest og venøs blodprøvetagning. Blodprøver vil blive analyseret ved hjælp af POCT (≤30 minutter) og ISO-standardiserede kliniske laboratoriemetoder. Samtidig vil deltagerne gennemgå en ikke-kontakt ansigtsskanning, der genererer rPPG-baserede output inklusive vitale tegn, hemodynamiske indekser og AI-estimerede biomarkører. Statistisk analyse vil omfatte Bland-Altman overensstemmelsesanalyse, Cohens kappa for kategoriske variable, korrelationsanalyse og maskinlæringsydelsesmålinger (MAE, MSE, RMSE, R²).

Forventede resultater Det forventes, at rPPG-baserede målinger vil vise god overensstemmelse med standard kliniske målinger for kernelige vitale tegn (hjertefrekvens, respirationsfrekvens, SpO₂), med moderat overensstemmelse for blodtryk og udvalgte biomarkører. AI-baserede modeller forventes at vise acceptabel prædiktiv ydeevne for visse metaboliske parametre og eksplorative variabler, hvilket støtter gennemførligheden af rPPG som et screeningsværktøj. Undersøgelsen forventes også at identificere vigtige forvirrende faktorer, såsom hudfarve og demografisk variabilitet, der påvirker signalnøjagtigheden.