Utvikling og flersenter-validering av en AI-basert fjernfotopletysmografi (rPPG) ansiktsskanning for multimodal helsevurdering

Fjernfotopletysmografi (rPPG) er en fremvoksende ikke-kontakt optisk teknologi som muliggjør ekstrahering av fysiologiske signaler fra ansiktsvideo ved bruk av standardkameraer. Denne tilnærmingen har fått økende oppmerksomhet innen telemedisin på grunn av dens skalerbarhet, kostnadseffektivitet og evne til å utføre fjernhelsescreening. Nylige fremskritt innen kunstig intelligens (AI) har videre utvidet potensialet til rPPG utover grunnleggende overvåkning av vitale tegn til å inkludere estimering av kardiometaboliske biomarkører og helserisikoindekser. Imidlertid er omfattende validering av rPPG-baserte systemer mot standardiserte kliniske målinger, laboratoriebiomarkører og psykologiske parametre fortsatt begrenset, spesielt i lav- og mellominntektsland som Indonesia. Med tanke på den høye byrden av kardiometabolske sykdommer i urbane befolkninger som Jakarta, er det avgjørende å evaluere nøyaktigheten og gjennomførbarheten av AI-baserte ansiktsskanningsteknologier for å støtte tidlig oppdagelse og integrering av digital helse.

Spesifikke mål

1. Å vurdere samsvaret mellom rPPG-avledede vitale tegn (hjertefrekvens, respirasjonsfrekvens, blodtrykk, SpO₂) og tilsvarende målinger oppnådd fra standardisert fysisk undersøkelse av trent personell og validerte medisinske enheter.
2. Å bestemme graden av samsvar mellom rPPG-baserte estimater og laboratorieverdier for hemoglobin, blodsukker, HbA1c, LDL, HDL, triglyserider og totalkolesterol.
3. Å analysere sammenhengen mellom rPPG-avledede fysiologiske parametere og nivåer av depresjon, angst og stress målt ved DASS 21-spørreskjemaet.
4. Å beregne gjennomsnittlig arterielt trykk (MAP), ASCVD-risikoscorer og hjertealder fra rPPG-utdata og å sammenligne disse indeksene med de som er avledet fra standard kliniske og laboratoriedata.
5. Å utvikle og foreløpig evaluere utforskende algoritmer ved bruk av rPPG-videodata for å estimere nyrefunksjon, leverfunksjon, muskelmasse, visceralt fett, kroppsvekt, kroppshøyde, kroppsmasseindeks og subkutant fett som potensielle screeningparametere.

Metoder Denne studien vil benytte en multicenter observasjonsdesign utført på utvalgte underdistrikter i Jakarta og utvidet til Jabodetabek-regionen. Voksne deltakere vil gjennomgå omfattende vurdering inkludert psykologiske spørreskjemaer (DASS, PHQ, GAD), antropometriske målinger, kroppssammensetningsanalyse, spirometri, muskelstyrketesting og venøs blodprøvetaking. Blodprøver vil bli analysert ved bruk av POCT (≤30 minutter) og ISO-standardiserte kliniske laboratoriemetoder. Parallelt vil deltakerne gjennomgå en ikke-kontakt ansiktsskanning, som genererer rPPG-baserte utdata inkludert vitale tegn, hemodynamiske indekser og AI-estimerte biomarkører. Statistisk analyse vil inkludere Bland-Altman-samsvarsanalyse, Cohens kappa for kategoriske variabler, korrelasjonsanalyse og maskinlæringsytelsesmål (MAE, MSE, RMSE, R²).

Forventede resultater Det forventes at rPPG-baserte målinger vil vise god samsvar med standard kliniske målinger for kjerne vitale tegn (hjertefrekvens, respirasjonsfrekvens, SpO₂), med moderat samsvar for blodtrykk og utvalgte biomarkører. AI-baserte modeller forventes å vise akseptabel prediktiv ytelse for visse metabolske parametere og utforskende variabler, noe som støtter gjennomførbarheten av rPPG som et screeningsverktøy. Studien forventes også å identifisere viktige forvirrende faktorer, som hudtone og demografisk variasjon, som påvirker signalnøyaktigheten.