Opracowanie i wieloośrodkowa walidacja skanu twarzy z wykorzystaniem sztucznej inteligencji do zdalnej fotopletyzmografii (rPPG) w celu wielomodalnej oceny stanu zdrowia

Zdalna fotopletyzmografia (rPPG) to nowoczesna technologia optyczna bez kontaktu, która umożliwia ekstrakcję sygnałów fizjologicznych z nagrań wideo twarzy przy użyciu standardowych kamer. To podejście zyskuje coraz większe zainteresowanie w telemedycynie ze względu na swoją skalowalność, opłacalność oraz zdolność do przeprowadzania zdalnych badań przesiewowych stanu zdrowia. Ostatnie postępy w sztucznej inteligencji (AI) poszerzyły potencjał rPPG poza podstawowy monitoring parametrów życiowych, obejmując również szacowanie biomarkerów kardiometabolicznych i wskaźników ryzyka zdrowotnego. Jednak kompleksowa walidacja systemów opartych na rPPG w porównaniu ze standaryzowanymi pomiarami klinicznymi, biomarkerami laboratoryjnymi i parametrami psychologicznymi pozostaje ograniczona, szczególnie w warunkach krajów o niskim i średnim dochodzie, takich jak Indonezja. Biorąc pod uwagę wysokie obciążenie chorobami kardiometabolicznymi w populacjach miejskich, takich jak Dżakarta, ocena dokładności i wykonalności technologii skanowania twarzy opartych na AI jest kluczowa dla wsparcia wczesnego wykrywania i integracji cyfrowej opieki zdrowotnej.

Szczegółowe cele

1. Ocena zgodności parametrów życiowych uzyskanych metodą rPPG (tętno, częstość oddechów, ciśnienie krwi, SpO₂) z odpowiadającymi im pomiarami uzyskanymi podczas standaryzowanego badania fizykalnego przez przeszkolony personel oraz za pomocą zwalidowanych urządzeń medycznych.
2. Określenie stopnia zgodności szacunków opartych na rPPG z wartościami laboratoryjnymi hemoglobiny, glukozy we krwi, HbA1c, LDL, HDL, trójglicerydów i cholesterolu całkowitego.
3. Analiza związku między parametrami fizjologicznymi uzyskanymi metodą rPPG a poziomami depresji, lęku i stresu mierzonymi za pomocą kwestionariusza DASS-21.
4. Obliczenie średniego ciśnienia tętniczego (MAP), wyników ryzyka ASCVD oraz wieku serca na podstawie wyników rPPG i porównanie tych wskaźników z tymi uzyskanymi ze standardowych danych klinicznych i laboratoryjnych.
5. Opracowanie i wstępna ocena algorytmów eksploracyjnych wykorzystujących dane wideo rPPG do szacowania funkcji nerek, funkcji wątroby, masy mięśniowej, tłuszczu trzewnego, masy ciała, wzrostu, wskaźnika masy ciała (BMI) i tłuszczu podskórnego jako potencjalnych parametrów przesiewowych.

Metody Badanie będzie wykorzystywało wieloośrodkowy projekt obserwacyjny przeprowadzony w wybranych poddzielnicach Dżakarty i rozszerzony na region Jabodetabek. Dorosłych uczestników poddano kompleksowej ocenie obejmującej kwestionariusze psychologiczne (DASS, PHQ, GAD), pomiary antropometryczne, analizę składu ciała, spirometrię, testy siły mięśniowej oraz pobranie krwi żylnej. Próbki krwi będą analizowane przy użyciu metod POCT (≤30 minut) oraz metod laboratoryjnych zgodnych z normami ISO. Równolegle uczestnicy przejdą bezdotykowe skanowanie twarzy, generując wyniki oparte na rPPG, w tym parametry życiowe, wskaźniki hemodynamiczne i biomarkery szacowane przez AI. Analiza statystyczna będzie obejmować analizę zgodności Blanda-Altmana, współczynnik kappa Cohena dla zmiennych kategorycznych, analizę korelacji oraz metryki wydajności uczenia maszynowego (MAE, MSE, RMSE, R²).

Oczekiwane wyniki Oczekuje się, że pomiary oparte na rPPG będą wykazywać dobrą zgodność ze standardowymi pomiarami klinicznymi dla podstawowych parametrów życiowych (tętno, częstość oddechów, SpO₂), z umiarkowaną zgodnością dla ciśnienia krwi i wybranych biomarkerów. Oczekuje się, że modele oparte na AI będą wykazywać akceptowalną wydajność predykcyjną dla określonych parametrów metabolicznych i zmiennych eksploracyjnych, wspierając wykonalność rPPG jako narzędzia przesiewowego. Badanie ma również na celu zidentyfikowanie kluczowych czynników zakłócających, takich jak odcień skóry i zmienność demograficzna, wpływających na dokładność sygnału.