Normalde nefes aldığımızda, oksijeni akciğerlerimize çekeriz, oradan kırmızı kan hücrelerine dağılır ve vücudumuza taşınır. Oksijen bir anlamda vücudumuzun çalışmasını sağlayan bir yakıt gibidir ve yaşamımızı sürdürebilmek için çok fazlasına ihtiyacımız vardır. Çoğu sağlıklı insan her zaman %95 ile %100 arasında oksijen satürasyonuna sahiptir, ancak bazen hastalık vurur ve bu olduğunda oksijen satürasyonu düşebilir, bazen tehlikeli derecede düşük olabilir.
Bir kavram kanıtı çalışmasında, Washington Üniversitesi ve California San Diego Üniversitesi’nden araştırmacılar, normal akıllı telefonların kandaki oksijen doygunluk seviyelerini %70’e kadar saptamak için kullanılabileceğini gösterdi – bu, çoğu sağlık kuruluşu tarafından önerilen önemli bir kuraldır.
Oksijen doygunluğu, kandaki toplam hemoglobine göre oksijenle doymuş hemoglobinin fraksiyonudur ve değerli bir gösterge ve hatta hastalık semptomlarının bir göstergesi olabilir.REKLAMCILIK
Çalışmanın yazarlarından biri olan Shwetak Patel, “Aslında oldukça zamanında yazılmış bir makaleydi” diyor. Heidelberg Laureate Forum’da Patel, “COVID durumu meydana geldiğinde, kan oksijenasyonu hastaneye kaldırılıp kaldırılmayacağınızın büyük bir göstergesiydi, ancak çoğu insan oksijenasyon monitörleri kullanmıyordu” diye ekledi .
Hastane ortamında, doktorlar oksijen doygunluğunu kolaylıkla izleyebilir, ancak evde oksijen doygunluğunun izlenmesi de olası semptomlara göz kulak olmak için yararlı olabilir. Bu yüzden Patel ve meslektaşları telefonları kullanmayı önerdiler.
parmağınızı bir akıllı telefonun kamerasının ve flaşının üzerine koyarak kan oksijen seviyenizi yeterince iyi bir şekilde okuyabilirsiniz. Bu, görüntü okumasını kan oksijen okumasına dönüştüren derin öğrenme algoritması tarafından desteklenmektedir.
Bu yaklaşım ilk kez kullanılmıyor, ancak şimdiye kadar akıllı telefonlar yalnızca %80-90’a kadar olan okumaları algılayabiliyordu. Ancak bu tam olarak alakalı değil – uçağa bindiğinizde doygunluğunuz %90’a çıkıyor, yani bu gerçekten hiçbir şeyin göstergesi değil. Yöntemin çalışabilmesi için en az %70’e kadar okuyabilmesi gerekir.
Yöntemlerini test etmek için araştırmacılar, altı katılımcının oksijen seviyesini düşürmek için kontrollü bir nitrojen ve oksijen karışımı verdiler ve gözlemi birkaç kez tekrarladılar. Kadın olarak tanımlanan üç katılımcı, erkek olarak tanımlanan üç katılımcı; beşi Kafkas, biri Afrikalı Amerikalı olarak tanımlandı. Katılımcılar, akıllı telefon kamera yaklaşımının yanı sıra tıbbi nabız oksimetresi ile izlendi.
Bu projeye UW’de elektrik ve bilgisayar mühendisliği okuyan bir doktora öğrencisi olarak başlayan ve şimdi bir üniversite öğrencisi olan kıdemli yazar Edward Wang , “Kamera bir video kaydediyor: Kalbiniz her attığında, flaşla aydınlatılan kısımdan taze kan akıyor” dedi
Araştırmacılar, akıllı telefonun deneklerin kan oksijen seviyelerinin düşük olup olmadığını %80 oranında doğru bir şekilde tahmin ettiğini bildiriyor. Ekip, %61 ile %100 arasında 10.000’den fazla kan oksijen okuması aldı.
“Bunu yapan diğer akıllı telefon uygulamaları, insanlardan nefeslerini tutmalarını isteyerek geliştirildi. Ancak insanlar çok rahatsız oluyor ve bir dakika kadar sonra nefes almak zorunda kalıyorlar ve bu, kan-oksijen seviyeleri klinik olarak ilgili tüm verileri temsil edecek kadar düşmeden önce,” dedi UW doktorası ortak yazar Jason Hoffman . Paul G. Allen Bilgisayar Bilimi ve Mühendisliği Okulu öğrencisi. “Testimiz ile her konudan 15 dakikalık veri toplayabildik. Verilerimiz, akıllı telefonların tam da kritik eşik aralığında iyi çalışabileceğini gösteriyor.”
Akıllı telefonlar gibi her yerde bulunan bir şeyin tıbbi düzeyde okumalar için kullanılabilmesi dikkat çekicidir, ancak bu hiçbir şekilde çözülmüş bir sorun değildir. Yöntem umut verici olsa da, hala yalnızca altı katılımcı üzerinde test edilmiştir ve kişiden kişiye önemli farklılıklar olabilir.
Hoffman, “Deneklerimizden birinin parmaklarında kalın nasırlar vardı, bu da algoritmamızın kan oksijen seviyelerini doğru bir şekilde belirlemesini zorlaştırıyordu” dedi. “Bu çalışmayı daha fazla deneğe genişletecek olsaydık, muhtemelen daha fazla nasırlı insan ve farklı cilt tonlarına sahip daha fazla insan görürdük. O zaman potansiyel olarak tüm bu farklılıkları daha iyi modellemek için yeterli karmaşıklığa sahip bir algoritmaya sahip olabiliriz.”
Ten rengi başka bir potansiyel sorundur: kamera tabanlı görüntülemenin bazı durumlarda daha koyu ten tonları için daha sorunlu olduğu kanıtlanmıştır. Patel, bunun gayet iyi farkında olduklarını ve bunu ele almak için çalıştıklarını ve bunun önemli bir yönünün daha büyük çalışmalar yürütmek olduğunu söylüyor.
Nihayetinde, tıbbi okumalar için akıllı telefonların (makine öğrenimi algoritmalarıyla birlikte) kullanılma potansiyeli harcanan çabaya değer ve bu, bu amaca yönelik umut verici bir adımdır – ancak güvenilirliği sağlamak için daha fazla çalışmaya ihtiyaç vardır.
Wang, “Böyle bir çalışma yapmak çok önemli,” dedi. “Geleneksel tıbbi cihazlar zorlu testlerden geçiyor. Ancak bilgisayar bilimi araştırması, biyomedikal cihaz geliştirme için makine öğrenimini kullanmaya henüz yeni başlıyor ve hepimiz hâlâ öğreniyoruz. Kendimizi titiz olmaya zorlayarak, kendimizi işleri nasıl doğru yapacağımızı öğrenmeye zorluyoruz.
Sonuçlar Digital Medicine dergisinde yayınlandı .