تشخیص دیابت با استفاده از سیگنال فتوپلتیسموگرافی

8  مارس 2019 - بر اساس مطالعه ای که در نشست سالانه ی کالج کاردیولوژی آمریکا(16 تا 18 مارس 2019 در نیوارولئان) ارائه خواهد شد، یک برنامه نرم افزاری که از سیگنالphotoplethysmography[1]، استفاده می کند و به راحتی بر روی گوشی های هوشمند و دستگاه های پوشیدنی نصب می گردد، می تواند دیابت را تشخیص دهد.

دکترRobert Avram از دانشگاه کالیفرنیا در سان فرانسیسکو و همکارانش به بررسی امکان تشخیص دیابت با استفاده از سیگنالPPG و یک شبکه عصبی پیچشی یا همگشتی(CNN)[2]  پرداختند. داده های 22،298 فرد شرکت کننده در مطالعه یHealth eHeart  که از برنامه ی نرم افزاری Azumio در گوشی های هوشمند خوداستفاده می کردند، ثبت شد. داده های بدست آمده از کاربران به مجموعه داده های آموزش، توسعه و آزمون تقسیم شدند[3] (به ترتیب 70، 10 و 20 درصد). برای پیش بینی شیوع دیابت بر اساس گزارش خود افراد، از یکشبکه عصبی پیچشی34 لایه که با مجموعه داده های آموزشی فیت شده بود، استفاده گردید. این مدل با استفاده از مجموعه داده های توسعه، تنظیم شد و توانایی تفکیک پذیری مدل(تشخیص افرادی که پیش بینی می شود به بیماری مبتلا شوند از افرادی که به این بیماری مبتلا نمی شوند) در مجموعه داده های آزمون با استفاده از ناحیه ی زیر منحنی مشخصه عملکرد سیستم(AUC)[4] اندازه گیری شد.

محققان دریافتند که 6.0 درصد از شرکت کنندگان به دیابت مبتلا بودند. بر اساس 1،440،000اندازه گیری فتوپلتیسموگرافی، 7 درصد از شرکت کنندگان به دیابت مبتلا بودند. در مجموعه داده های آزمون، AUC  برای پیش بینی شیوع دیابت برابر با 0.772 بود. ارزش پیش بینی منفی 97 درصد بود.

دکتر Avramمی گوید: پتانسیل انتقال غربالگری - که معمولا توسط پزشکان یا پرستاران انجام می شود- به خود بیمار از طریق یک برنامه ی گوشی هوشمند، یک مفهوم بسیار جدید است که به ما تغییرات احتمالی ارائه ی مراقبت های بهداشتی را در آینده نشان می دهد.

منبع:

https://medicalxpress.com/news/2019-03-photoplethysmography-diabetes.html

 



[1]تغییرحجم‌سنجی نوری یا فتوپلتیسموگرام(برای کسب اطلاعات بیشتر در مورد این روش به دانشنامه ی ویکی پدیا مراجعه کنید)

[2]convolution neural network

[3] در یادگیری ماشین داده ها به سه دسته ی  trainingبرای آموزش ماشین، developmentتوسعه ی یادگیری و  testبرای آزمون تقسیم می شوند.

[4]the receiver operating characteristic curveیا منحنی مشخصه عملکرد سیستمیا منحنی عملیاتی دریافت کنندهکه یک روش کمی ارزیابی در فیزیک پزشکی و علوم تصویری است . این روش برای مقایسه اختلاف روشهای تصویربرداری در فیزیک پزشکی بکار می‌رود. در این روش هدف این است که توانایی آسیب شناسییک سامانه دقیقاً ارزیابی شود لذا از معیارهایی که بر اساس قضاوت و تصمیم اشخاص است، استفاده می‌شود.