Smartphone-gebaseerd Diabetes Detectiehulpmiddel: Digitale Biomarker voor Vroege Risico-identificatie

Deep Learning Algoritme Gebruikt Smartphone Camera voor Diabetes Screening

Onderzoekers hebben een "digitale biomarker" ontwikkeld die een smartphone's ingebouwde camera gebruikt om diabetes te detecteren. Het hulpmiddel kan helpen bij het identificeren van mensen met een hoger risico op diabetes, wat uiteindelijk helpt de prevalentie van ongediagnosticeerde diabetes te verminderen.

Screeninghulpmiddelen die eenvoudig geïmplementeerd kunnen worden met technologie die al in smartphones zit, kunnen de capaciteit om diabetes te detecteren snel vergroten, inclusief populaties buiten het bereik van traditionele medische zorg. Tot nu toe ontbraken niet-invasieve en breed schaalbare hulpmiddelen om diabetes te detecteren, wat de ontwikkeling van het algoritme motiveerde.

Ontwikkeling van de Biomarker

Bij het ontwikkelen van de biomarker, veronderstelden de onderzoekers dat een smartphone camera gebruikt kon worden om vaatschade door diabetes te detecteren door signalen te meten genaamd fotopletysmografie (PPG), die de meeste mobiele apparaten inclusief smartwatches en fitness trackers in staat zijn te verkrijgen. De onderzoekers gebruikten de telefoonflitser en camera om PPG's te meten door kleurveranderingen in de vingertop vast te leggen die overeenkomen met elke hartslag.

Het team verkrijg bijna 3 miljoen PPG-opnames van 53.870 patiënten die de Azumio Instant Heart Rate app op de iPhone gebruikten en rapporteerden door een gezondheidszorgverlener gediagnosticeerd te zijn met diabetes. Deze data werd gebruikt om zowel een deep-learning algoritme te ontwikkelen als te valideren om de aanwezigheid van diabetes te detecteren met behulp van smartphone-gemeten PPG-signalen.

Resultaten en Prestaties

Over het algemeen identificeerde het algoritme de aanwezigheid van diabetes correct in tot 81% van de patiënten in twee afzonderlijke datasets. Toen het algoritme getest werd in een additionele dataset van patiënten geworven uit in-person klinieken, identificeerde het correct 82% van de patiënten met diabetes. Onder de patiënten die het algoritme voorspelde geen diabetes te hebben, hadden 92 tot 97% de ziekte niet over de validatiedatasets heen. Wanneer deze PPG-afgeleide voorspelling gecombineerd werd met andere gemakkelijk verkrijgbare patiëntinformatie – zoals leeftijd, geslacht, body mass index, en ras/etniciteit – verbeterde de voorspellende prestatie verder.

Op dit niveau van voorspellende prestatie kan het algoritme een vergelijkbare rol spelen als andere wijdverspreide ziektescreeninghulpmiddelen om een veel bredere groep mensen te bereiken, gevolgd door een bevestiging van de diabetesdiagnose en een behandelplan door een arts. De prestaties van het algoritme zijn vergelijkbaar met andere veelgebruikte tests, zoals mammografie voor borstkanker of cervixcytologie voor baarmoederhalskanker, en de pijnloosheid maakt het aantrekkelijk voor herhaalde testing.