Smartphone-basiertes Diabetes-Detektionstool: Digitaler Biomarker für frühe Risikoidentifikation

Forscher haben einen „digitalen Biomarker“ entwickelt, der die eingebaute Kamera eines Smartphones nutzt, um Diabetes zu detektieren. Das Tool könnte helfen, Personen mit höherem Diabetesrisiko zu identifizieren und letztlich die Prävalenz undiagnostizierter Diabetes zu verringern.

Hintergrund

Screening-Tools, die einfach mit Technologie eingesetzt werden können, die bereits in Smartphones enthalten ist, könnten die Fähigkeit zur Diabetesdetektion rapide erhöhen – einschließlich Bevölkerungsgruppen, die außerhalb der Reichweite traditioneller medizinischer Versorgung liegen. Bisher fehlten nicht-invasive, breit skalierbare Tools zur Diabetesdetektion, was die Entwicklung des Algorithmus motivierte.

Entwicklung des Biomarkers

Bei der Entwicklung des Biomarkers gingen die Forscher davon aus, dass eine Smartphone-Kamera vaskuläre Schäden durch Diabetes detektieren könnte, indem sie Signale misst, die Photoplethysmographie (PPG) genannt werden – die die meisten Mobilgeräte einschließlich Smartwatches und Fitness-Tracker erfassen können. Die Forscher nutzten Taschenlampe und Kamera des Telefons, um PPGs zu messen, indem sie Farbänderungen an der Fingerspitze erfassen, die jedem Herzschlag entsprechen.

Das Team erhielt fast 3 Millionen PPG-Aufnahmen von 53.870 Patienten, die die Azumio Instant Heart Rate App auf dem iPhone nutzten und angaben, von einem Arzt mit Diabetes diagnostiziert worden zu sein. Diese Daten wurden genutzt, um einen Deep-Learning-Algorithmus zur Detektion von Diabetes mithilfe smartphone-gemessener PPG-Signale zu entwickeln und zu validieren.

Ergebnisse

Insgesamt identifizierte der Algorithmus das Vorhandensein von Diabetes bei bis zu 81 % der Patienten in zwei separaten Datensätzen korrekt. Bei Testung in einem zusätzlichen Datensatz von Patienten, die in persönlichen Kliniken rekrutiert wurden, identifizierte er 82 % der Diabetes-Patienten korrekt. Unter den Patienten, bei denen der Algorithmus kein Diabetes vorhersagten, hatten 92 bis 97 % tatsächlich keine Krankheit über die Validierungsdatensätze hinweg. Wenn diese PPG-basierte Vorhersage mit anderen leicht erhältlichen Patienteninformationen – wie Alter, Geschlecht, Body-Mass-Index und Rasse/Ethnizität – kombiniert wurde, verbesserte sich die Vorhersageleistung weiter.

Bedeutung

Auf diesem Vorhersageniveau könnte der Algorithmus eine ähnliche Rolle wie andere weit verbreitete Screening-Tools spielen, um eine viel breitere Gruppe von Menschen zu erreichen, gefolgt von einer ärztlichen Bestätigung der Diabetesdiagnose und eines Behandlungsplans. Die Algorithmleistung ist vergleichbar mit anderen gängigen Tests, wie Mammographie für Brustkrebs oder Zervixzytologie für Gebärmutterhalskrebs, und seine Schmerzfreiheit macht es attraktiv für wiederholte Tests.