Ontwikkeling en multicenter validatie van een AI-gebaseerde remote fotoplethysmografie (rPPG) gezichtsscan voor multimodale gezondheidsbeoordeling

Remote fotopletysmografie (rPPG) is een opkomende non-contact optische technologie die het mogelijk maakt fysiologische signalen uit gezichtsvideo's te extraheren met behulp van standaardcamera's. Deze benadering heeft steeds meer aandacht gekregen in de telemedicine vanwege de schaalbaarheid, kosteneffectiviteit en het vermogen om op afstand gezondheidsscreening uit te voeren. Recente vooruitgang in kunstmatige intelligentie (AI) heeft het potentieel van rPPG verder uitgebreid voorbij de basisbewaking van vitale functies, tot het inschatten van cardiometabole biomarkers en gezondheidsrisico-indices. Uitgebreide validatie van op rPPG gebaseerde systemen tegen gestandaardiseerde klinische metingen, laboratoriumbiomarkers en psychologische parameters blijft echter beperkt, met name in lage- en middeninkomenslanden zoals Indonesië. Gezien de hoge last van cardiometabole ziekten in stedelijke populaties zoals Jakarta, is het evalueren van de nauwkeurigheid en haalbaarheid van op AI gebaseerde gezichtsscanningstechnologieën essentieel om vroege detectie en digitale gezondheidsintegratie te ondersteunen.

Specifieke doelstellingen

1. De overeenstemming beoordelen tussen rPPG-afgeleide vitale functies (hartslag, ademhalingsfrequentie, bloeddruk, SpO₂) en corresponderende metingen verkregen uit gestandaardiseerd lichamelijk onderzoek door getraind personeel en gevalideerde medische apparaten.
2. De mate van overeenstemming bepalen tussen op rPPG gebaseerde schattingen en laboratoriumwaarden van hemoglobine, bloedglucose, HbA1c, LDL, HDL, triglyceriden en totaal cholesterol.
3. De associatie analyseren tussen rPPG-afgeleide fysiologische parameters en niveaus van depressie, angst en stress zoals gemeten door de DASS 21-vragenlijst.
4. De gemiddelde arteriële druk (MAP), ASCVD-risicoscores en hartleeftijd berekenen uit rPPG-outputs en deze indices vergelijken met die afgeleid uit standaard klinische en laboratoriumgegevens.
5. Verkennende algoritmen ontwikkelen en preliminair evalueren met gebruik van rPPG-videogegevens om nierfunctie, leverfunctie, spiermassa, visceraal vet, lichaamsgewicht, lichaamslengte, body mass index en onderhuids vet in te schatten als potentiële screeningsparameters.

Methoden Deze studie zal gebruik maken van een multicenter observationeel ontwerp uitgevoerd in geselecteerde subdistricten in Jakarta en uitgebreid naar de Jabodetabek-regio. Volwassen deelnemers zullen een uitgebreide beoordeling ondergaan, waaronder psychologische vragenlijsten (DASS, PHQ, GAD), antropometrische metingen, lichaamssamenstellinganalyse, spirometrie, spierkrachttesten en veneuze bloedafname. Bloedmonsters zullen worden geanalyseerd met behulp van POCT (≤30 minuten) en ISO-gestandaardiseerde klinische laboratoriummethoden. Parallel zullen deelnemers een non-contact gezichtsscan ondergaan, die rPPG-gebaseerde outputs genereert, waaronder vitale functies, hemodynamische indices en AI-geschatte biomarkers. Statistische analyse zal omvatten: Bland-Altman overeenstemmingsanalyse, Cohen's kappa voor categorische variabelen, correlatieanalyse en machine learning prestatiemetrics (MAE, MSE, RMSE, R²).

Verwachte resultaten Er wordt verwacht dat op rPPG gebaseerde metingen een goede overeenstemming zullen tonen met standaard klinische metingen voor kern vitale functies (hartslag, ademhalingsfrequentie, SpO₂), met matige overeenstemming voor bloeddruk en geselecteerde biomarkers. Op AI gebaseerde modellen worden verwacht acceptabele voorspellende prestaties te tonen voor bepaalde metabole parameters en verkennende variabelen, wat de haalbaarheid van rPPG als screeningtool ondersteunt. De studie wordt ook verwacht belangrijke verstorende factoren te identificeren, zoals huidskleur en demografische variabiliteit, die de signaalnauwkeurigheid beïnvloeden.