Editoriales

Buenos Aires 01 de Abril del 2026

OXIMETRIA CON CAMARA DE TELEFONO INTELIGENTE

 

 

Oximetría con Cámara de Teléfono Inteligente

Estudio de Hipoxemia Inducida

Jason Hoffman, Varun Viswanath, Caiwei Tian, Xinyi Ding, Matthew Thompson, Eric Larson, Shwetak Patel and Edward Wang, 
        * School of Computer Science and Engineering, University of Washington, Seattle, US
        * Department of Electrical and Computer Engineering, University of California San Diego, La Jolla, CA, USA
        * The Design Lab, University of California San Diego, La Jolla, CA, USA
        * Department of Computer Science, Southern Methodist University, Dallas, TX, USA
        * Department of Family Medicine, University of Washington, Seattle, WA, USA
        * Department of Electrical and Computer Engineering, University of Washington, Seattle, WA, USA

npij.Digital medicine (2022); volume 5,Article number: 146  

 


La hipoxemia, una afección médica que se produce cuando la sangre no transporta suficiente oxígeno para abastecer adecuadamente los tejidos, es un indicador principal de complicaciones peligrosas de enfermedades respiratorias como el asma, la EPOC y la COVID-19. Si bien los oxímetros de pulso diseñados específicamente pueden proporcionar lecturas precisas de la saturación de oxígeno en sangre (SpO₂) que permiten diagnosticar la hipoxemia, habilitar esta función en cámaras de teléfonos inteligentes sin modificar mediante una actualización de software podría brindar a más personas acceso a información importante sobre su salud.
Los monitores de SpO₂ basados ​​en teléfonos inteligentes, especialmente aquellos que dependen únicamente de hardware integrado sin modificaciones, brindan la oportunidad de detectar y monitorear afecciones respiratorias en contextos donde los oxímetros de pulso son menos accesibles.
Se han explorado previamente soluciones basadas en teléfonos inteligentes para monitorear la saturación de oxígeno en sangre, empleando diversas soluciones para recopilar y estabilizar la señal PPG¹, ampliar el sensor de la cámara de banda ancha con filtro IR² y filtrar la señal resultante para corregir el ruido o los valores atípicos³. Algunas soluciones requieren hardware adicional, como un filtro de color o una fuente de luz externa1,2,4,5,6, mientras que otras se basan únicamente en el hardware integrado del teléfono inteligente y emplean técnicas de software para procesar la señal PPG3,7,8,9,10,11. Los trabajos previos indican que los monitores de SpO2 basados ​​en teléfonos inteligentes tienen potencial para subsanar las deficiencias en el acceso a la atención médica, pero carecen de datos de validación sobre una gama completa de niveles de SpO2 clínicamente relevantes. Las técnicas de evaluación previas para estos estudios basados ​​en teléfonos inteligentes se han limitado a un mínimo del 80 % de SpO2 mediante técnicas como la apnea, que se limita a periodos cortos de recopilación de datos debido a la incomodidad de los participantes, lo que limita la aplicabilidad clínica de los hallazgos.
La Administración de Alimentos y Medicamentos de los Estados Unidos (FDA) recomienda que los oxímetros de pulso de reflectancia aprobados alcancen un error <3,5 % en toda la gama de datos clínicamente relevantes del 70 % al 100 %12,13. Hasta donde sabemos, nuestro estudio es el primero en evaluar la oximetría de pulso sin modificaciones con smartphone en este rango de datos de SpO₂ mediante un procedimiento de estudio de oxígeno inspirado fraccional variado (FiO₂ variable). La saturación de oxígeno en sangre, expresada como porcentaje de SpO₂, es una de las diversas medidas de salud que utilizan los médicos para evaluar la función cardiovascular, indicando la proporción de hemoglobina en la sangre que transporta oxígeno. Esta proporción puede medirse directamente a partir de muestras de sangre arterial mediante un dispositivo de análisis de gases en sangre arterial (GSA). Sin embargo, la obtención y el análisis de muestras de sangre arterial son invasivos y pueden presentar dificultades técnicas; por lo tanto, se limitan a casos clínicos, hospitalarios o de laboratorio ambulatorios. Por ello, los médicos suelen confiar en la comodidad de las mediciones no invasivas de SpO₂ mediante dispositivos específicos aprobados por la FDA, llamados oxímetros de pulso, que constan de una pinza para el dedo y una pantalla de lectura. Los oxímetros de pulso suelen medir la oxigenación mediante fotopletismografía de transmitancia (PPG), que se coloca en la punta del dedo y transmite luz roja e infrarroja mediante LED14. Al medir la relación resultante de recepción de luz en el otro lado del dedo, los dispositivos utilizan la Ley de Beer-Lambert para estimar las propiedades de absorción de la sangre, utilizando curvas calibradas basadas en datos empíricos para inferir la saturación de oxígeno en sangre2. Este dispositivo permite a los médicos monitorizar la SpO2 de forma no invasiva mediante mediciones individuales (de control puntual) o continuas.
Si bien los niveles basales de SpO2 varían ligeramente (normalmente entre el 96 % y el 98 % a nivel del mar en personas sanas), desviaciones del 5 % o más por debajo de estos niveles pueden ser un signo de una enfermedad cardiopulmonar más grave.
Las enfermedades respiratorias, como el asma, la enfermedad pulmonar obstructiva crónica (EPOC), la neumonía y la COVID-19, pueden causar disminuciones significativas en la SpO2, hipoxemia (bajo nivel de oxígeno en la sangre) y, potencialmente, hipoxia (bajo nivel de oxígeno en los tejidos).
La hipoxia puede provocar complicaciones graves, como daño orgánico a órganos vitales como el cerebro o los riñones, e incluso la muerte, si no se corrige o si se produce de forma aguda durante un período prolongado de tiempo15. Las mediciones repetidas de la SpO2 se pueden utilizar para monitorear los cambios en la gravedad de una amplia gama de afecciones cardiopulmonares, como el asma y la EPOC16, e indican la posible presencia de otras enfermedades, como la fibrosis pulmonar idiopática, la insuficiencia cardíaca congestiva, la cetoacidosis diabética y la embolia pulmonar17,18,19. La oximetría de pulso también tiene valor pronóstico; Por ejemplo, un nivel de SpO2 inferior al 90% se ha correlacionado con un aumento de las tasas de mortalidad hospitalaria en pacientes con COVID-1920, y niveles inferiores al 95% se asocian con complicaciones de neumonía adquirida en la comunidad21 o complicaciones en pacientes con embolia pulmonar diagnosticada18. Por lo tanto, determinar si la saturación de oxígeno en sangre de un paciente está por debajo de un umbral probablemente sería valioso en una herramienta accesible de detección temprana para indicar que se requiere mayor atención por parte de un médico. También se ha explorado la usabilidad de las herramientas de detección en teléfonos inteligentes, pero en general se ha demostrado que su precisión es baja debido a la falta de validación clínica y a las dificultades de la experiencia del usuario22,23,24.
En este estudio, avanzamos hacia la monitorización de la SpO2 utilizando la cámara sin modificar de un teléfono inteligente. Nuestra hipótesis fue que, al entrenar un modelo con datos de un estudio variado de FiO2, podríamos predecir con precisión la SpO2 en un rango más amplio de niveles de SpO2 clínicamente relevantes (70-100%) que los estudios previos basados ​​en teléfonos inteligentes. Nuestro análisis revela que un modelo de red neuronal convolucional (CNN) evaluado en este rango es capaz de alcanzar, en promedio, un Error Absoluto Medio (EMA) del 5,00 % (σ = 1,90) de SpO2 al predecir el nivel de SpO2 de un nuevo sujeto, tras haber sido entrenado únicamente con los datos etiquetados de otros sujetos.
Para evaluar la posible capacidad de detección de hipoxemia, demostramos que esto corresponde a una sensibilidad y especificidad promedio del 81 % y el 79 %, respectivamente, al clasificar la SpO2 de un nuevo sujeto por debajo del 90 %.
Este trabajo se basa en la creciente tradición de utilizar dispositivos móviles como herramientas de apoyo a la toma de decisiones en el ámbito sanitario, lo que indica la necesidad de la consulta médica25,26. Los teléfonos inteligentes son ampliamente utilizados debido a su utilidad multipropósito y contienen sensores cada vez más potentes, incluyendo una cámara con flash LED27,28,29.
Se ha utilizado sensores en teléfonos inteligentes disponibles comercialmente para evaluar diversas afecciones fisiológicas, como la detección de trastornos de la voz30, el seguimiento de la función pulmonar30,31, la evaluación de la infertilidad25, la medición de la concentración de hemoglobina32,33 y la estimación de los cambios en la presión arterial34,35.
Junto con estos resultados, compartimos los datos del estudio Varied FiO₂ con la comunidad para que otros puedan ampliar este trabajo.

DETALLES OPERATIVOS

a. El sujeto respira una mezcla controlada de oxígeno y nitrógeno para reducir lentamente el nivel de SpO₂ durante 13 a 19 minutos.
b. Durante el estudio, se colocó un dedo sobre la cámara de un teléfono inteligente con flash activado para registrar la respuesta a la luz mediante reflectancia PPG, mientras que el otro dedo se colocó en la pinza de un oxímetro de pulso de tolerancia ajustada que actúa como estándar de transferencia y emite luz roja e infrarroja que informa la SpO₂ mediante transmitancia PPG.
c. La comparación del histograma de un conjunto de datos de un estudio de apnea, adaptado con autorización de Ding et al.3, con el histograma de la distribución de datos de nuestro experimento de FiO2 variada revela que se obtuvo una dispersión de datos clínicamente más relevante utilizando este protocolo que en trabajos anteriores.
d. Los resultados de la clasificación del método del teléfono inteligente revelan que el 79 % de los casos de hipoxemia (definida como una SpO2 baja por debajo del 90 %) se detectaron utilizando este método...

RESULTADOS

Rendimiento de la predicción de SpO2
Nuestra red neuronal convolucional (CNN) alcanzó un MAE promedio del 5,00 % (σ = 1,90) de SpO2 tras el entrenamiento y la evaluación mediante validación cruzada de exclusión de uno (LOOCV) en el rango del 70 % al 100 % de los datos del estudio de FiO2 variada (Fig. 2). Se observa una correlación promedio de R2 = 0,61 (σ = 0,15) entre las predicciones del modelo y las lecturas del oxímetro de pulso de referencia de verdad fundamental.
El error cuadrático medio (Arms) promedio es de 5,55 % (σ = 1,89) en todos los sujetos en este rango, que es 2,05 % más alto que el estándar ISO 80601-2-61:2017 de 3,5 % para dispositivos de oxímetro de pulso de reflectancia que se autorizarán para uso clínico13. El análisis de Bland-Altman demuestra el rendimiento de la CNN en relación con un oxímetro de pulso de pinza de dedo de tolerancia ajustada en LOOCV. Los valores de SpO2 predichos por el modelo aprendido cerca de los límites de acuerdo (LOA) informados en estudios previos de oxímetros de pulso clínicos y no clínicos, mientras se evalúa en un rango más amplio de niveles de SpO212,36,37,38. Considerando que las mediciones de verdad fundamental de los oxímetros de pulso exhiben una varianza similar a estos resultados, esto indica que el modelo ha aprendido características en la señal PPG que son comunes en todos los sujetos y el modelo no es simplemente un seguimiento de la media. Por otro lado, para los sujetos 2, 3 y 5, la tendencia negativa en las predicciones y la diferencia de medias por encima de los límites de concordancia para la mayoría de los valores de referencia en el rango de 70-80 % de SpO2 revela que el modelo sobreestima constantemente las predicciones en muestras de SpO2 por debajo del 80 %.
Cabe destacar que este es el primer estudio que observa un rendimiento del modelo por debajo del 85 %, ya que ningún trabajo previo ha demostrado que los sistemas de detección basados ​​en teléfonos inteligentes puedan tener un rendimiento deficiente en este rango.
Clasificación de la hipoxemia
En lugar de simplemente inferir una estimación de SpO2, una herramienta basada en teléfonos inteligentes podría ser valiosa para la detección de niveles bajos de SpO2, indicando si se necesita o no atención médica adicional. Para explorar el potencial de usar un sistema de oxímetro de cámara de teléfono inteligente sin modificar como herramienta de detección de hipoxemia, calculamos la precisión de clasificación de nuestro modelo al proporcionar una indicación de si un individuo tiene un nivel de SpO2 por debajo de tres umbrales diferentes: 92 %, 90 % y 88 %. Un valor de oximetría de pulso inferior al 90 % de SpO2 es un umbral común para indicar la necesidad de atención médica39, pero otros umbrales podrían ser valiosos clínicamente. Por lo tanto, evaluamos la capacidad de nuestro sistema para clasificar las muestras de nuestro conjunto de pruebas mediante la umbralización del resultado de regresión de nuestro modelo en diferentes límites de decisión y comparándolo con si el pulsioxímetro de referencia reporta simultáneamente valores inferiores al valor umbral. Calculamos la sensibilidad (tasa de verdaderos positivos) y la especificidad (tasa de verdaderos negativos) en todas las combinaciones de LOOCV para obtener un resultado promedio. Este experimento simula el escenario en el que un teléfono inteligente examina a un sujeto que nunca antes ha visto, ya que el modelo se entrenó solo con los otros 5 sujetos del conjunto de datos.
Para clasificar una SpO2 < 90 %, en promedio, en los 6 sujetos de prueba, nuestro modelo alcanza una sensibilidad del 81 % para clasificar correctamente las muestras positivas en nuestro conjunto de datos de sospecha de hipoxemia, manteniendo una especificidad del 79 %. Para clasificar a un sujeto por debajo de SpO2 < 92 %, la especificidad aumenta al 86 % con una sensibilidad del 78 %. No todas las combinaciones de sujetos de prueba y de entrenamiento mostraron el mismo nivel de precisión.
Para visualizar la precisión de la clasificación en todo nuestro conjunto de datos, variamos el límite de decisión de clasificación para tres umbrales de clasificación que pueden ser clínicamente relevantes (92 %, 90 % y 88 %) y promediamos los resultados en las 6 combinaciones de LOOCV. Los resultados de variar el límite de decisión se grafican en la curva ROC. Para el umbral de clasificación de SpO2 < 90 %, la precisión más alta (definida como el punto más cercano a (0,1) en la curva ROC) se produjo cuando el límite de decisión de clasificación se estableció en 88 % de SpO2. Un límite de decisión del 90 % en el resultado de la regresión para la tarea de clasificación de SpO2 < 90 % resultó en una sensibilidad del 92 % para la identificación de casos hipoxémicos, junto con un 35 % de falsos positivos (sensibilidad del 92 % y especificidad del 65 %).
Ablación de datos
Para comprender cómo se compara la precisión de nuestro modelo con la de sistemas de oximetría de pulso basados ​​en teléfonos inteligentes publicados previamente, estudiamos cómo la exclusión de subconjuntos del conjunto de datos afecta la precisión. Debido al mayor rango evaluado en este estudio en comparación con estudios previos, el MAE general no es tan bajo como en estudios previos. Sin embargo, un estudio de ablación de datos revela que, al eliminar subconjuntos de datos con lecturas de SpO2 de verdad fundamental asociadas más bajas, la precisión de nuestro modelo se acerca a la de otros trabajos publicados. Cabe destacar que ninguno de estos trabajos de prueba de concepto se evaluó con datos donde una porción estadísticamente significativa de los datos de evaluación de SpO2 estaba por debajo del 85%, mientras que en nuestro variado conjunto de datos de FiO2, el valor mínimo de SpO2 incluido es del 70% y la media de todos los niveles de SpO2 de verdad fundamental es del 87,1%.
Entrenamos y evaluamos nuestros modelos de aprendizaje automático con un conjunto de datos similar al de estos trabajos de prueba de concepto mediante una técnica de ablación de datos. Primero, submuestreamos nuestro conjunto de datos para incluir únicamente muestras con valores de SpO2 reales superiores a un umbral mínimo. A continuación, reentrenamos y evaluamos nuestros modelos para calcular un error absoluto medio (MAE) submuestreado. Al variar entre los posibles umbrales, observamos una correlación lineal negativa entre el valor mínimo de SpO2 incluido y el error absoluto medio resultante. Es decir, a medida que reducimos el rango de valores de SpO2 en nuestro conjunto de datos de entrenamiento y prueba, nuestros modelos funcionan con mayor precisión. Para comparar directamente el rendimiento con el trabajo previo de Ding et al. y Bui et al. establecimos un umbral de SpO2 del 85 %. Mientras que Ding et al. Aunque reportan un rango de 73-100%, su conjunto de datos muestra que solo el 0,6% de todas las muestras están por debajo del 85%, por lo que lo reportamos como un umbral práctico del 85% para fines de comparación. Con un valor umbral de SpO₂ del 85%, nuestro modelo funciona casi tan bien como trabajos previos, con un error absoluto medio del 3,06%. Con este análisis, podemos estar seguros de que nuestras técnicas son al menos tan confiables como trabajos previos y probablemente se beneficien de una gama más amplia de ejemplos de entrenamiento.

DISCUSIÓN

Los resultados de la clasificación de este estudio indican una dirección a considerar para permitir una detección más accesible de la hipoxemia mediante teléfonos inteligentes sin modificaciones. Considerando la posición única de los teléfonos inteligentes en los bolsillos de miles de millones de personas en todo el mundo, sería útil no solo reproducir la función de un oxímetro de pulso en software, sino también proporcionar una detección inicial para niveles bajos de SpO₂ clínicamente significativos. La pandemia de COVID-19 puso de relieve la necesidad de una herramienta asequible de detección remota de la desaturación de oxígeno que pueda utilizarse con precisión y seguridad para la detección y el seguimiento iniciales, informando a los usuarios sobre la necesidad de buscar atención médica especializada. Es importante considerar este potencial, ya que las aplicaciones de software ya se utilizan de esta manera, incluso cuando no han cumplido con los requisitos regulatorios de la FDA40,41. Nuestro sistema es el primer sensor de cámara de smartphone sin modificar que reporta precisión a niveles inferiores al 85 % de SpO2, y alcanzó una sensibilidad (81 %) y una especificidad (79 %) relativamente altas al clasificar a los sujetos con SpO2 inferior al 90 %.
Este proceso de predicción de SpO2, que incluye hardware de smartphone, aplicación de software personalizada, procesamiento de datos, aprendizaje profundo y evaluación. En general, el modelado CNN funcionó bien con estos datos de entrada, aprendiendo una función que los aproxima de forma no lineal.
Diseñamos nuestra arquitectura CNN con tres objetivos en mente:
* En primer lugar, elegimos el número total de capas en nuestro modelo de modo que hubiera suficientes cálculos afines para que el modelo pudiera aprender a aproximarse al modelo de razón de razones utilizado tradicionalmente en oxímetros de pulso específicos.
* En segundo lugar, incluimos capas convolucionales para proporcionar invariancia temporal y mantener la robustez ante entradas que comienzan en diferentes fases del latido.
* En tercer lugar, la función de activación ReLU proporcionó no linealidad, lo que permitió al modelo aprender las características integradas en nuestros datos de entrada de banda ancha, que presentan más ruido que la entrada de banda estrecha de los oxímetros de pulso específicos utilizados tradicionalmente con un modelo de razón de razones. Las capas lineales finalmente regresionan desde estas características de alto nivel a la predicción de SpO2.
También investigamos otros tipos de modelos, pero no logramos un mejor rendimiento que nuestro modelo CNN. Si bien un enfoque de razón de razones8 tiene cierta capacidad predictiva en este rango completo de datos de cámaras de teléfonos inteligentes (MAE promedio = 7,12, σ = 1,64), no infiere la SpO2 con la misma precisión que nuestro modelo CNN.
Esto probablemente se deba a que nuestro modelo CNN, al tener más parámetros y características derivadas, gestiona el ruido en la señal mejor que el modelo de razón de razones. Aun así, el hecho de que el modelo de razón de razones haya mostrado cierta capacidad correlativa (R² promedio = 0,21, σ = 0,20) es alentador, ya que sugiere que este y el modelo CNN podrían haber modelado un fenómeno subyacente similar. Futuros trabajos podrían aprovechar las asignaciones de activación ponderadas por gradiente para investigar más a fondo esta relación. Desde el punto de vista estadístico, nuestro estudio no indica que este método de medición con smartphone y el enfoque de aprendizaje profundo estén listos para utilizarse como dispositivo médico comparable a los oxímetros de pulso actuales, pero se podrían realizar estudios adicionales para desarrollar el método y validarlo para uso médico. Una prueba de rangos con signo de Wilcoxon indica que las diferencias observadas en la EAM son lo suficientemente grandes como para rechazar la hipótesis nula de que las medidas sean equivalentes con una p = 0,03, a pesar de que el tamaño de la muestra es pequeño (n = 6).
La norma ISO 80601-2-61:2017 sobre la seguridad de los oxímetros de pulso indica que se deben realizar pruebas a al menos 10 sujetos con diversos tonos de piel y que el resultado sea un error cuadrático medio (ARMS) inferior al 3,5 %, lo que indica que se deben realizar pruebas a más sujetos antes de poder determinar si este método es lo suficientemente preciso para su uso clínico13,42,43. Además, se debe utilizar una medición de gases en sangre arterial (GSA) como referencia de base para la comparación, y sería necesario entrenar un solo modelo antes de realizar las pruebas en estos 10 sujetos, en lugar del procedimiento LOOCV empleado en este estudio.
investigamos si la frecuencia cardíaca (FC) o la frecuencia respiratoria (FR), que se correlacionan con descensos agudos de la SpO2, fueron factores importantes que contribuyeron a la precisión del modelo. Descubrimos que codificar los datos de entrada como 3 latidos a 60 lpm, eliminando así la frecuencia cardíaca como una característica discernible de los datos de entrada, solo redujo la precisión del modelo en 0,35, hasta un MAE promedio de 5,35 (σ = 2,20), lo que indica que la FC no fue un factor importante que contribuyera al rendimiento del modelo. La FR no se codificó en los datos de entrada, ya que 3 s no es tiempo suficiente para observar un solo ciclo respiratorio en sujetos en posición reclinada. En general, este nivel de rendimiento en una muestra relativamente pequeña de sujetos de prueba (n = 6 sujetos con un s = 12 108 muestras totales) indica que la precisión del modelo podría aumentar si se recopilaran más muestras de entrenamiento de experimentos con FiO2 más variados, lo que representa una gama más amplia de usuarios potenciales del sistema.
Para este estudio, la configuración de la cámara se bloqueó durante la recopilación de datos mediante la preconfiguración del balanceo automático y la mejora manual de la ganancia de color, pasos únicos en nuestro sistema de recopilación de datos en comparación con trabajos previos en este campo. La captura de imágenes de la cámara se expone de forma variable en función de tres factores: tiempo de exposición, sensibilidad del sensor y apertura. En las cámaras RGB utilizadas en teléfonos inteligentes, los tres canales de color suelen utilizar el mismo tiempo de exposición y configuración de apertura. Si bien el patrón de filtro Bayer de los sensores de cámara CMOS está diseñado para detectar el doble de fotones de luz verde por área, a veces no es posible medir los tres canales con un alto rango dinámico simultáneamente.
Tanto la hemoglobina oxigenada como la desoxigenada tienen un coeficiente de absorción significativamente mayor en las longitudes de onda azul y verde que en las longitudes de onda roja, en aproximadamente dos órdenes de magnitud. Por lo tanto, no sería posible medir las tres longitudes de onda simultáneamente bajo la misma exposición. Si la sensibilidad del sensor de hardware a un color en particular es demasiado alta o demasiado baja, los valores de los píxeles para ese color pueden recortarse al registrar el valor mínimo o máximo de 0 o 255. Debido a que los teléfonos utilizan un esquema de precisión de 8 bits para almacenar datos de píxeles, todos los píxeles se redondearán a 0 y se perderán pequeños cambios en ese color. En nuestra aplicación, el rojo es el color más dominante, y trabajos previos han demostrado que con el uso de preajustes de balance de blancos para luz incandescente, los tonos entre azul y verde pueden amplificarse44. Los avances de software en las tuberías de procesamiento de imágenes de teléfonos inteligentes ahora proporcionan un control más independiente de la exposición de cada canal de color a través de ajustes independientes de ganancia del amplificador por canal. Al tener el control de los ajustes independientes de ganancia del amplificador, podemos equilibrar los ajustes de exposición para amplificar los canales azul y verde.
Observamos un rendimiento particularmente aberrante en el sujeto 1, con MAE = 8,56. Sospechamos que esto se debe a un ruido tisular exacerbado en los dedos del sujeto debido al engrosamiento de la piel, que no se refleja en el resto de los datos de entrenamiento. Se observó que este sujeto era el único del estudio con callosidades visibles en las yemas de los dedos, y el sujeto indicó que esto se debía a la práctica deportiva. Investigamos los datos obtenidos de este sujeto con mayor detenimiento y observamos que las señales PPG del sujeto 1 muestran oscilaciones casi un 50 % atenuadas (componente de la señal CA) y un valor promedio un 50 % más alto (componente de la señal CC) que otros sujetos. Nuestra hipótesis es que estas características anormales son resultado de las callosidades. Específicamente, una capa de tejido anormalmente gruesa en el dedo absorbería más luz en los espectros azul y verde. Debido a que el sensor de nuestro dispositivo tiene una sensibilidad fija, la luz anormalmente atenuada en los espectros azul y verde resulta en una medición deficiente de la sangre pulsátil y una dispersión alterada en los valores del canal de color. Con un pequeño conjunto de entrenamiento de 4 sujetos, sin incluir otros ejemplos de sujetos con callos en las yemas de los dedos, el modelo no puede aprender a considerar estas diferencias tisulares. Prevemos que el modelo podría aprender a considerar las anomalías tisulares si se entrenara con más sujetos o si se emplearan ajustes de ganancia adaptativos para recopilar datos que garantizaran una amplitud de oscilación similar en la señal de CA para los datos de entrada recopilados por el teléfono inteligente.
A partir de este limitado conjunto de datos, no podemos extraer conclusiones definitivas sobre el efecto del tono de piel o el sexo en la oximetría de pulso del teléfono inteligente. Nuestros sujetos de prueba incluyeron un sujeto con un tono de piel oscuro (el sujeto 2 se identificó como afroamericano) y 5 sujetos con un tono de piel claro (todos los demás sujetos se identificaron como caucásicos).
Nuestro modelo no parece tener un rendimiento diferente en función del tono de piel con este limitado conjunto de datos, ya que los resultados del sujeto 2 se mantuvieron en un rango similar al de otros sujetos. Sin embargo, se ha demostrado que los oxímetros de pulso independientes, como el utilizado como referencia en nuestro conjunto de datos, pueden producir una menor precisión en pacientes con tonos de piel más oscuros45,46. Con base en nuestro estudio, no afirmamos ningún hallazgo sobre el rendimiento del modelo en función del tono de piel, pero esto debería evaluarse en futuros estudios. Nuestro modelo tampoco muestra un rendimiento diferente en ningún subconjunto de nuestra distribución de sexos 3:3 entre mujeres y hombres. Analizar el rendimiento de nuestro modelo con usuarios de diferentes tonos de piel y sexos biológicos es importante, pero requerirá más investigación para comprenderlo.
Nuestros resultados, en este estudio piloto con 6 sujetos, proporcionan una indicación positiva de que un teléfono inteligente podría utilizarse para evaluar el riesgo de hipoxemia sin necesidad de añadir hardware adicional en el futuro. Para validar y facilitar esto, recomendamos recopilar más datos con un teléfono inteligente en diversos estudios de FiO2 que inducen hipoxemia para aumentar la variedad de los datos de entrenamiento y la precisión del modelo de aprendizaje profundo. Con un modelo mejorado, podríamos realizar estudios de usuarios en los que la aplicación se utilice junto con un oxímetro de pulso independiente para medir la precisión de la solución basada en software en situaciones reales.
Se podría explorar la usabilidad de la medición basada en teléfonos inteligentes para mejorar aún más la aplicabilidad clínica de los hallazgos22,24. Un análisis más profundo podría implicar procesar o preparar este tipo de conjunto de datos de forma diferente, incluyendo la exploración del uso de diferentes ROI para la extracción de señales47 y la recopilación de datos de forma diferente para estudiar el efecto de las ganancias preestablecidas de la cámara. Además, los distintos modelos de teléfono tienen distintas configuraciones de sensor de cámara, por lo que se debe comprobar la compatibilidad entre dispositivos de un modelo.
Un mayor desarrollo y pruebas podrían permitir que esta herramienta resulte beneficiosa para el tratamiento clínico de bajo coste de personas con enfermedades respiratorias crónicas, como la EPOC, así como enfermedades respiratorias agudas como la COVID-19.

NOTA: Este es un resumen general de un artículo publicado. El texto completo, las referencias, las tablas, los gráficos, las figuras y otros
           detalles se pueden encontrar en la revista mencionada al principio.

REFERENCIAS (50)

  1. Carni, D. L., Grimaldi, D., Sciammarella, P. F., Lamonaca, F. & Spagnuolo, V. Setting-up of ppg scaling factors for spo2% evaluation by smartphone, 2016 IEEE International Symposium on Medical Measurements and Applications (MeMeA) (IEEE, 2016),pp.1–5.
  2. Bui, N. et al. Smartphone-based spo2 measurement by exploiting wavelengths separation and chromophore compensation. ACM Trans. Sensor Netw. 16, 1 (2020).. Article Google Scholar 
  3. Ding, X., Nassehi, D. & Larson, E. C. Measuring oxygen saturation with smartphone cameras using convolutional neural networks. IEEE J. Biomed. Health Informatics 23, 2603 (2018).. Article Google Scholar 
  4. Mendelson, Y. & Ochs, B. D. Noninvasive pulse oximetry utilizing skin reflectance photoplethysmography. IEEE Trans. Biomed. Eng. 35, 798 (1988).. Article CAS Google Scholar 
  5. Tayfur, İ. & Afacan, M. A. Reliability of smartphone measurements of vital parameters: A prospective study using a reference method. Am. J. Emerg. Med. 37, 1527 (2019).. Article Google Scholar 
  6. Scully, C. G. et al. Physiological parameter monitoring from optical recordings with a mobile phone. IEEE Trans. Biomed. Eng. 59, 303 (2011).. Article Google Scholar 
  7. Tomlinson, S., Behrmann, S., Cranford, J., Louie, M. & Hashikawa, A. Accuracy of smartphone-based pulse oximetry compared with hospital-grade pulse oximetry in healthy children. Telemed. e-Health 24, 527 (2018).. Article Google Scholar 
  8. Nemcova, A. et al. Monitoring of heart rate, blood oxygen saturation, and blood pressure using a smartphone. Biomedical Signal Process. Control 59, 101928 (2020).. Article Google Scholar 
  9. Lamonaca F. et al. Blood oxygen saturation measurement by smartphone camera, 2015 IEEE International Symposium on Medical Measurements and Applications (MeMeA) Proceedings (IEEE, 2015), pp. 359–364.
  10. Sun, Z., He, Q., Li, Y., Wang, W. & Wang, R. K. Robust non-contact peripheral oxygenation saturation measurement using smartphone-enabled imaging photoplethysmography. Biomed. Optics Expr. 12, 1746 (2021).. Article Google Scholar 
  11. Kateu, F., Jakllari, G. & Chaput, E., Chaput, Smartphox: Smartphone-based pulse oximetry using a meta-region of interest, 2022 IEEE International Conference on Pervasive Computing and Communications (PerCom) (IEEE, 2022), pp. 130–140.
  12. Luks, A. M. & Swenson, E. R. Pulse oximetry for monitoring patients with covid-19 at home. potential pitfalls and practical guidance. Ann. Am. Thoracic Soc. 17, 1040 (2020).. Article Google Scholar 
  13. U.S. Food and Drug Administration, et al. Pulse oximeters-premarket notification submissions [510 (k) s]: guidance for industry and food and drug administration staff, US Department of Health and Human Services (2013).
  14. Welch, J., DeCesare, R. & Hess, D. Pulse oximetry: instrumentation and clinical applications. Respir Care 35, 584 (1990).. Google Scholar 
  15. Bickler, P. E. et al. Effects of acute, profound hypoxia on healthy humans: implications for safety of tests evaluating pulse oximetry or tissue oximetry performance. Anesthesia Analgesia 124, 146 (2017).. Article Google Scholar 
  16. Siddiqui T., Morshed B. I., Severity classification of chronic obstructive pulmonary disease and asthma with heart rate and spo2 sensors, 2018 40th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC) (IEEE, 2018), pp. 2929–2932.
  17. Wilson V. Diagnosis and treatment of diabetic ketoacidosis, Emergency Nurse 20 (2012).
  18. Kline, J. A. Use of pulse oximetry to predict in-hospital complications in normotensive patients with pulmonary embolism. Am. J. Med. 115, 203 (2003).. Article Google Scholar 
  19. Zisman, D. A. et al. Prediction of pulmonary hypertension in idiopathic pulmonary fibrosis. Respiratory Med. 101, 2153 (2007).. Article Google Scholar 
  20. Xieet J. et al. Association between hypoxemia and mortality in patients with covid-19, Mayo Clinic Proceedings (Elsevier, 2020).
  21. Moore, M. et al. Predictors of adverse outcomes in uncomplicated lower respiratory tract infections. Annals Family Med. 17, 231 (2019).. Article Google Scholar 
  22. Alexander, J. C., Minhajuddin, A. & Joshi, G. P. Comparison of smartphone application-based vital sign monitors without external hardware versus those used in clinical practice: a prospective trial. J. Clin. Monitor. Comput. 31, 825 (2017).. Article Google Scholar 
  23. Modi, A. M., Kiourkas, R. D., Li, J. & Scott, J. B. Reliability of smartphone pulse oximetry in subjects at risk for hypoxemia. Respiratory Care 66, 384 (2021).. Article Google Scholar 
  24. Hudson, J. Usability testing of a prototype phone oximeter with healthcare providers in high-and low-medical resource environments. Anaesthesia 67, 957 (2012).. Article CAS Google Scholar 
  25. Kanakasabapathy, M. K. et al. An automated smartphone-based diagnostic assay for point-of-care semen analysis. Sci. Transl. Med. 9, eaai7863 (2017).. Article Google Scholar 
  26. Laksanasopin, T. et al. A smartphone dongle for diagnosis of infectious diseases at the point of care. Sci. Transl. Med. 7, 273re1 (2015).. Article Google Scholar 
  27. Steinhubl, S. R., Muse, E. D. & Topol, E. J. The emerging field of mobile health. Sci. Transl. Med. 7, 283rv3 (2015).. Article Google Scholar 
  28. Gambhir, S. S., Ge, T. J., Vermesh, Q. & Spitler, R. Toward achieving precision health. Sci. Transl. Med. 10, eaao3612 (2018).. Article Google Scholar 
  29. Topol, E. J. A decade of digital medicine innovation. Sci. Transl. Med. 11, eaaw7610 (2019).. Article Google Scholar 
  30. Mehta, D. D., Zanartu, M., Feng, S. W., Cheyne II, H. A. & Hillman, R. E. Mobile voice health monitoring using a wearable accelerometer sensor and a smartphone platform. IEEE Trans. Biomed. Eng. 59, 3090 (2012). Article Google Scholar 
  31. Larson E. C. et al. Spirosmart: using a microphone to measure lung function on a mobile phone, Proceedings of the 2012 ACM conference on ubiquitous computing (2012), pp. 280–289.
  32. Mannino, R. G. Smartphone app for non-invasive detection of anemia using only patient-sourced photos. Nat. Commun. 9, 1 (2018).. Article CAS Google Scholar 
  33. Wang, E. J., Li, W., Zhu, J., Rana, R. & Patel, S. N., Noninvasive hemoglobin measurement using unmodified smartphone camera and white flash, 2017 39th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC) (IEEE, 2017), pp. 2333–2336.
  34. Wang E. J. et al. Seismo: Blood pressure monitoring using built-in smartphone accelerometer and camera, Proceedings of the 2018 CHI Conference on Human Factors in Computing Systems (2018), pp. 1–9.
  35. Chandrasekaran, V., Dantu, R., Jonnada, S., Thiyagaraja, S. & Subbu, K. P. Cuffless differential blood pressure estimation using smart phones. IEEE Trans. Biomed. Eng. 60, 1080 (2012).. Article Google Scholar 
  36. Kelly, A.-M., McAlpine, R. & Kyle, E. How accurate are pulse oximeters in patients with acute exacerbations of chronic obstructive airways disease? Respiratory Med. 95, 336 (2001).. Article CAS Google Scholar 
  37. Muñoz, X. Accuracy and reliability of pulse oximetry at different arterial carbon dioxide pressure levels. Eur. Respiratory J. 32, 1053 (2008).. Article Google Scholar 
  38. Lipnick, M. S., Feiner, J. R., Au, P., Bernstein, M. & Bickler, P. E. The accuracy of 6 inexpensive pulse oximeters not cleared by the food and drug administration: the possible global public health implications. Anesthesia & Analgesia 123, 338 (2016).. Article CAS Google Scholar 
  39. Jones, K., Cassidy, P., Killen, J. & Ellis, H. The feasibility and usefulness of oximetry measurements in primary care. Primary Care Respiratory J. 12, 4 (2003).. Article Google Scholar 
  40. Jordan, T. B., Meyers, C. L., Schrading, W. A. & Donnelly, J. P. The utility of iphone oximetry apps: a comparison with standard pulse oximetry measurement in the emergency department. Am. J. Emerg. Med. 38, 925 (2020).. Article Google Scholar 
  41. digiDoc Technologies, Pulse Oximeter Applicatio (2013).  https://www.digidoctech.no/products-1.html (accessed August 10, 2020).
  42. Clinimark, Pulse Oximetry Product Development Testing (2010). http://www.clinimark.com/TABS%20Testing%20&%20Services/Pulse%20Oximetry/Pulse%20Oximetry_Product%20Development%20Testing.html (accessed August 9, 2020).
  43. Batchelder, P. B. & Raley, D. M. Maximizing the laboratory setting for testing devices and understanding statistical output in pulse oximetry. Anesthesia Analgesia 105, S85 (2007).. Article Google Scholar 
  44. Karlen, W., Lim, J., Ansermino, J. M., Dumont, G. & Scheffer, C. Detection of the optimal region of interest for camera oximetry, 2013 35th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC) (IEEE, 2013), pp. 2263–2266.
  45. Feiner, J. R., Severinghaus, J. W. & Bickler, P. E. Dark skin decreases the accuracy of pulse oximeters at low oxygen saturation: the effects of oximeter probe type and gender. Anesthesia Analgesia 105, S18 (2007).. Article Google Scholar 
  46. Gottlieb, E. R., Ziegler, J., Morley, K., Rush, B. & Celi, L. A. Assessment of Racial and Ethnic Differences in Oxygen Supplementation Among Patients in the Intensive Care Unit. JAMA Internal Med. 182, 849–858 (2022).. Article Google Scholar 
  47. Karlen, W., Lim, J., Ansermino, J. M., Dumont, G. & Scheffer, C. Design challenges for camera oximetry on a mobile phone, 2012 Annual International Conference of the IEEE Engineering in Medicine and Biology Society (IEEE, 2012), pp. 2448–2451.
  48. Masimo, Masimo Radical-7 (2020). https://www.masimo.com/products/continuous/radical-7/ (accessed August 10, 2020).
  49. Masimo, Radical-7 Pulse CO-Oximeter Operator’s Manual (2021). https://techdocs.masimo.com/globalassets/techdocs/pdf/lab-5475l_master.pdf (accessed November 5, 2021).
  50. Bland, J. M. & Altman, D. G. Measuring agreement in method comparison studies. Stat. Methods Med. Res. 8, 135 (1999).