Utveckling och flercentervalidering av en AI-baserad fjärrfotopletysmografi (rPPG) ansiktsskanning för multimodal hälsovärdering

Remote fotopletysmografi (rPPG) är en framväxande kontaktfri optisk teknologi som möjliggör extrahering av fysiologiska signaler från ansiktsvideo med hjälp av standardkameror. Detta tillvägagångssätt har fått ökad uppmärksamhet inom telemedicin på grund av dess skalbarhet, kostnadseffektivitet och förmåga att utföra fjärrhälsoscreening. Nyligen gjorda framsteg inom artificiell intelligens (AI) har ytterligare utökat potentialen hos rPPG bortom grundläggande övervakning av vitala tecken till att inkludera uppskattning av kardiometabola biomarkörer och hälsoriskindex. Dock är omfattande validering av rPPG-baserade system mot standardiserade kliniska mätningar, laboratoriebiomarkörer och psykologiska parametrar fortfarande begränsad, särskilt i låg- och medelinkomstländer som Indonesien. Med tanke på den höga bördan av kardiometabola sjukdomar i urbana populationer som Jakarta är det avgörande att utvärdera noggrannheten och genomförbarheten av AI-baserade ansiktsskanningsteknologier för att stödja tidig upptäckt och digital hälsointegration.

Specifika mål

1. Att bedöma överensstämmelsen mellan rPPG-härledda vitala tecken (hjärtfrekvens, andningsfrekvens, blodtryck, SpO₂) och motsvarande mätningar erhållna från standardiserad fysisk undersökning av utbildad personal och validerade medicinska enheter.
2. Att bestämma graden av överensstämmelse mellan rPPG-baserade uppskattningar och laboratorievärden för hemoglobin, blodsocker, HbA1c, LDL, HDL, triglycerider och totalkolesterol.
3. Att analysera sambandet mellan rPPG-härledda fysiologiska parametrar och nivåer av depression, ångest och stress som mäts med DASS 21-frågeformuläret.
4. Att beräkna medelartärtryck (MAP), ASCVD-riskpoäng och hjärtålder från rPPG-utdata och att jämföra dessa index med de som härletts från standard kliniska och laboratoriedata.
5. Att utveckla och preliminärt utvärdera utforskande algoritmer med rPPG-videodata för att uppskatta njurfunktion, leverfunktion, muskelmassa, visceralt fett, kroppsvikt, kroppslängd, kroppsmassaindex och subkutant fett som potentiella screeningsparametrar.

Metoder Denna studie kommer att använda en multicenter observationsdesign genomförd över utvalda underdistrikt i Jakarta och utvidgad till Jabodetabek-regionen. Vuxna deltagare kommer att genomgå omfattande bedömning inklusive psykologiska frågeformulär (DASS, PHQ, GAD), antropometriska mätningar, kroppssammansättningsanalys, spirometri, muskelstyrketestning och venöst blodprovstagning. Blodprover kommer att analyseras med POCT (≤30 minuter) och ISO-standardiserade kliniska laboratoriemetoder. Parallellt kommer deltagarna att genomgå en kontaktfri ansiktsskanning, som genererar rPPG-baserade utdata inklusive vitala tecken, hemodynamiska index och AI-uppskattade biomarkörer. Statistisk analys kommer att inkludera Bland-Altman-överensstämmelseanalys, Cohens kappa för kategoriska variabler, korrelationsanalys och maskininlärningsprestandamått (MAE, MSE, RMSE, R²).

Förväntade resultat Det förväntas att rPPG-baserade mätningar kommer att visa god överensstämmelse med standard kliniska mätningar för kärnvitala tecken (hjärtfrekvens, andningsfrekvens, SpO₂), med måttlig överensstämmelse för blodtryck och utvalda biomarkörer. AI-baserade modeller förväntas visa acceptabel prediktiv prestanda för vissa metabola parametrar och utforskande variabler, vilket stöder genomförbarheten av rPPG som screeningsverktyg. Studien förväntas också identifiera viktiga förvirrande faktorer, såsom hudton och demografisk variation, som påverkar signalnoggrannheten.