Когда мы вдыхаем, наши легкие наполняются кислородом, который распределяется по нашим красным кровяным тельцам для транспортировки по всему телу. Нашему организму для функционирования требуется много кислорода, и у здоровых людей насыщение кислородом постоянно составляет не менее 95%.

Такие состояния, как астма или COVID-19, затрудняют усвоение организмом кислорода из легких. Это приводит к тому, что процент насыщения кислородом падает до 90% или ниже, что свидетельствует о необходимости медицинской помощи.

В клинике врачи контролируют насыщение кислородом с помощью пульсоксиметров - тех зажимов, которые вы надеваете на кончик пальца или ухо. Но мониторинг насыщения кислородом дома несколько раз в день может помочь пациентам, например, следить за симптомами COVID.

В исследовании, подтверждающем принцип, исследователи Вашингтонского университета и Калифорнийского университета в Сан-Диего показали, что смартфоны способны определять уровень насыщения крови кислородом до 70%. Это самое низкое значение, которое должны измерять пульсоксиметры в соответствии с рекомендациями Управления по контролю за продуктами питания и лекарствами США.

Методика предполагает, что участники помещают палец на камеру и вспышку смартфона, который использует алгоритм глубокого обучения для расшифровки уровня кислорода в крови. Когда команда ввела контролируемую смесь азота и кислорода шести испытуемым, чтобы искусственно снизить уровень кислорода в их крови, смартфон правильно предсказал, был ли у испытуемого низкий уровень кислорода в крови в 80% случаев.

Команда опубликовала эти результаты 19 сентября в Цифровая медицина npj.

"Другие приложения для смартфонов, которые делают это, были разработаны путем просьбы людей задержать дыхание. Но люди чувствуют себя очень некомфортно и вынуждены дышать примерно через минуту, и это до того, как уровень кислорода в их крови снизится достаточно, чтобы представить полный спектр клинически значимых данных", - сказал соавтор Джейсон Хоффман, докторант UW в Paul G. Школа компьютерных наук и инженерии имени Аллена. "С помощью нашего теста мы можем собрать 15 минут данных от каждого испытуемого. Наши данные показывают, что смартфоны могут хорошо работать прямо в критическом пороговом диапазоне".

Еще одним преимуществом измерения уровня кислорода в крови с помощью смартфона является то, что он есть почти у каждого.

"Таким образом, вы могли бы проводить многократные измерения с помощью своего собственного устройства либо бесплатно, либо по низкой цене", - сказал соавтор доктор Мэтью Томпсон, профессор семейной медицины в медицинской школе Калифорнийского университета. "В идеальном мире эта информация могла бы быть беспрепятственно передана в кабинет врача. Это было бы действительно полезно для телемедицинских назначений или для сортировочных медсестер, чтобы иметь возможность быстро определять, нужно ли пациентам обращаться в отделение неотложной помощи или они могут продолжать отдыхать дома и записаться на прием к своему лечащему врачу позже ".

Команда набрала шесть участников в возрасте от 20 до 34 лет. Трое идентифицированы как женщины, трое идентифицированы как мужчины. Один участник идентифицировал себя как афроамериканец, в то время как остальные идентифицировали себя как белые.

Чтобы собрать данные для обучения и тестирования алгоритма, исследователи попросили каждого участника надеть стандартный пульсоксиметр на один палец, а затем поместить другой палец на той же руке поверх камеры смартфона и вспышки. У каждого участника была такая же настройка на обеих руках одновременно.

"Камера записывает видео: каждый раз, когда бьется ваше сердце, свежая кровь течет через часть, освещенную вспышкой", - сказал старший автор Эдвард Ванг, который начал этот проект в качестве докторанта Калифорнийского университета, изучающего электротехнику и компьютерную инженерию, а сейчас является доцентом в Лаборатории дизайна Калифорнийского университета в Сан-Диего и кафедра электротехники и вычислительной техники.

"Камера фиксирует, насколько эта кровь поглощает свет от вспышки в каждом из трех измеряемых ею цветовых каналов: красном, зеленом и синем", - сказал Ван, который также руководит лабораторией DigiHealth Калифорнийского университета в Сан-Диего. "Затем мы можем ввести эти измерения интенсивности в нашу модель глубокого обучения".

Каждый участник вдыхал контролируемую смесь кислорода и азота, чтобы медленно снижать уровень кислорода. Процесс занял около 15 минут. Для всех шести участников команда получила более 10 000 показаний уровня кислорода в крови в диапазоне от 61% до 100%.

Исследователи использовали данные четырех участников, чтобы обучить алгоритм глубокого обучения определять уровень кислорода в крови. Остальные данные были использованы для проверки метода, а затем протестированы, чтобы увидеть, насколько хорошо он работает на новых испытуемых.

"Свет смартфона может рассеиваться всеми этими другими компонентами в вашем пальце, что означает, что в данных, которые мы рассматриваем, много шума", - сказал соавтор исследования Варун Вишванат, выпускник UW, который сейчас является докторантом, консультируемым Вангом в Калифорнийском университете в Сан-Диего. "Глубокое обучение здесь действительно полезная техника, потому что оно позволяет увидеть эти действительно сложные и нюансированные функции и помогает вам находить закономерности, которые вы иначе не смогли бы увидеть".

Команда надеется продолжить это исследование, протестировав алгоритм на большем количестве людей.

"У одного из наших испытуемых были толстые мозоли на пальцах, что затрудняло нашему алгоритму точное определение уровня кислорода в их крови", - сказал Хоффман. "Если бы мы расширили это исследование на большее количество испытуемых, мы, вероятно, увидели бы больше людей с мозолями и больше людей с разными оттенками кожи. Тогда у нас потенциально мог бы быть алгоритм достаточной сложности, чтобы иметь возможность лучше моделировать все эти различия".

Но, по словам исследователей, это хороший первый шаг к разработке биомедицинских устройств, которым помогает машинное обучение.

"Это так важно - провести подобное исследование", - сказал Ван. "Традиционные медицинские устройства проходят тщательное тестирование. Но исследования в области компьютерных наук все еще только начинают осваивать использование машинного обучения для разработки биомедицинских устройств, и мы все еще учимся. Заставляя себя быть строгими, мы заставляем себя учиться делать все правильно".

Дополнительными соавторами являются Синьи Дин, докторант Южного методистского университета; Эрик Ларсон, адъюнкт-профессор компьютерных наук Южного Методистского университета; Цайвэй Тянь, который завершил это исследование в качестве студента бакалавриата UW; и Шветак Патель, профессор UW как в Школе Аллена, так и на факультете электротехники и вычислительной техники.. Это исследование финансировалось Вашингтонским университетом. Исследователи подали заявку на патент, который охватывает системы и методы классификации SpO2 с использованием смартфонов (номер заявки: 17/164,745).