Kehittäminen ja monikeskuksellinen validointi tekoälyyn perustuvasta etäfotopletismografian (rPPG) kasvonskannauksesta monimuotoiseen terveyden arviointiin

Etäfotopletysmografia (rPPG) on kehittyvä, kosketukseton optinen tekniikka, jonka avulla voidaan poimia fysiologisia signaaleja kasvovideosta käyttäen standardikameroita. Tämä lähestymistapa on saanut yhä enemmän huomiota etälääketieteessä skaalautuvuutensa, kustannustehokkuutensa ja kyvynsä suorittaa etäterveydentarkastuksen vuoksi. Viimeaikaiset tekoälyn (AI) edistysaskeleet ovat edelleen laajentaneet rPPG:n potentiaalia peruselintoimintojen seurannasta kardiometabolisten biomarkkerien ja terveysriski-indeksien arviointiin. Kuitenkin kattava rPPG-pohjaisten järjestelmien validointi standardoituja kliinisiä mittauksia, laboratoriobiomarkkereita ja psykologisia parametreja vastaan on edelleen rajoittunutta, erityisesti matalan ja keskitulotason maissa, kuten Indonesiassa. Ottaen huomioon kardiometabolisten sairauksien korkean taakan kaupunkiväestöissä, kuten Jakartassa, AI-pohjaisten kasvoskannausteknologioiden tarkkuuden ja toteutettavuuden arviointi on välttämätöntä tukemaan varhaista havaitsemista ja digitaalisen terveyden integrointia.

Tarkat tavoitteet

1. Arvioida rPPG:stä johdettujen elintoimintojen (syketaajuus, hengitystaajuus, verenpaine, SpO₂) ja vastaavien standardoitujen fyysisten tutkimusten mittausten välistä yhtäpitävyyttä, jotka on suoritettu koulutetun henkilökunnan ja validoitujen lääketieteellisten laitteiden avulla.
2. Määrittää rPPG-pohjaisten arvioiden ja laboratorioarvojen (hemoglobiini, verensokeri, HbA1c, LDL, HDL, triglyseridit ja kokonaiskolesteroli) välinen yhteensopivuusaste.
3. Analysoida rPPG:stä johdettujen fysiologisten parametrien ja masennuksen, ahdistuksen ja stressin tasojen välinen yhteys, mitattuna DASS 21 -kyselyllä.
4. Laskea keskimääräinen arteriaalinen paine (MAP), ASCVD-riskipisteet ja sydänikä rPPG-tulosteista ja verrata näitä indeksejä standardikliinisen ja laboratoriotiedon perusteella johdettuihin.
5. Kehittää ja alustavasti arvioida tutkivia algoritmeja käyttäen rPPG-videodataa arvioimaan munuais- ja maksatoimintaa, lihasmassaa, sisäelintärasvaa, kehonpainoa, pituutta, painoindeksiä ja ihonalaista rasvaa mahdollisina seulontaparametreina.

Menetelmät Tämä tutkimus hyödyntää monikeskuksellista havainnointisuunnittelua, joka toteutetaan valituilla alialueilla Jakartassa ja laajennetaan Jabodetabek-alueelle. Aikuiset osallistujat suorittavat kattavan arvioinnin, joka sisältää psykologiset kyselylomakkeet (DASS, PHQ, GAD), antropometriset mittaukset, kehonkoostumuksen analyysin, spirometrian, lihasvoimatestauksen ja laskimoverinäytteenoton. Verinäytteet analysoidaan käyttäen POCT-menetelmää (≤30 minuuttia) ja ISO-standardisoituja kliinisiä laboratoriomenetelmiä. Rinnakkain osallistujat suorittavat kosketuksettoman kasvoskannauksen, joka tuottaa rPPG-pohjaisia tulosteita, kuten elintoimintoja, hemodynaamisia indeksejä ja AI-arvioituja biomarkkereita. Tilastollinen analyysi sisältää Bland-Altman-yhtäpitävyysanalyysin, Cohenin kappan kategorisille muuttujille, korrelaatioanalyysin ja koneoppimisen suorituskykymittareita (MAE, MSE, RMSE, R²).

Odotetut tulokset Odotetaan, että rPPG-pohjaiset mittaukset osoittavat hyvää yhtäpitävyyttä standardikliinisten mittausten kanssa keskeisissä elintoiminnoissa (syketaajuus, hengitystaajuus, SpO₂), ja kohtalaista yhtäpitävyyttä verenpaineessa ja valituissa biomarkkereissa. AI-pohjaisilta malleilta odotetaan hyväksyttävää ennustesuorituskykyä tietyille metabolisille parametreille ja tutkiville muuttujille, mikä tukee rPPG:n toteutettavuutta seulontatyökaluna. Tutkimukselta odotetaan myös tunnistavan keskeisiä sekoittavia tekijöitä, kuten ihonväri ja demografinen vaihtelu, jotka vaikuttavat signaalin tarkkuuteen.