Los investigadores desarrollan una herramienta de tecnología de la salud que puede detectar los signos vitales del rostro de una persona a través de un video

Una demostración de un nuevo sistema que utiliza secuencias de video para recopilar información sobre el pulso y la frecuencia cardíaca. (Foto de UW)

En una conferencia de salud internacional esta semana, los científicos de la Universidad de Washington y Microsoft Research presentarán virtualmente una nueva tecnología que permite a los proveedores médicos verificar de forma remota el pulso y la frecuencia cardíaca de un paciente.

La herramienta usa la cámara de un teléfono inteligente o computadora para capturar videos recopilados del rostro de una persona. Ese video se analiza para medir los cambios en la luz reflejada por la piel de un paciente, que se correlaciona con los cambios en el volumen sanguíneo y el movimiento que son causados ​​por la circulación sanguínea.

Xin Liu, estudiante de doctorado en la Escuela de Ingeniería y Ciencias de la Computación Paul G. Allen de la Universidad de Washington. (Foto de UW)

Los investigadores de UW y Microsoft utilizaron el aprendizaje automático y tres conjuntos de datos de videos y estadísticas de salud para entrenar su sistema. Y como ha sido el caso con varios proyectos de aprendizaje automático relacionados con imágenes y videos, la tecnología funcionó con menos precisión entre personas de diferentes razas. En este caso, el desafío es que la piel más clara es más reflectante, mientras que la piel más oscura absorbe más luz y la herramienta necesita percibir cambios sutiles en los reflejos.

“Cada persona es diferente. Por lo tanto, este sistema debe poder adaptarse rápidamente a la firma fisiológica única de cada persona y separarla de otras variaciones, como su apariencia y el entorno en el que se encuentran ”, dijo Xin Liu, autor principal de la investigación y miembro de la Universidad de Washington. estudiante de doctorado en la Escuela de Informática e Ingeniería Paul G. Allen.

Los investigadores encontraron una solución al problema: el sistema requiere que el usuario recopile 18 segundos de video que calibran el dispositivo antes de que calcule el pulso y la frecuencia cardíaca. La fase de calibración puede ajustarse al tono de la piel, la edad del paciente (la piel delgada y joven de los bebés y los niños se comporta de manera diferente a la piel envejecida de un usuario mayor), el vello facial, el fondo, la iluminación y otros factores. Los científicos todavía están trabajando para mejorar el rendimiento, pero la estrategia aumentó en gran medida la precisión del sistema.

El uso de la calibración para ajustar el rendimiento significa que el aprendizaje automático se puede implementar con conjuntos de datos más pequeños que pueden no ser perfectamente representativos de una población.

Daniel McDuff, investigador principal de Microsoft Research. (Foto de Microsoft)

Esas son buenas noticias, dijo Daniel McDuff, uno de los coautores e investigador principal de Microsoft Research. Los conjuntos de datos más pequeños conducen a una mayor preservación de la privacidad, ya que menos personas necesitan contribuir con información. Democratiza y hace que el aprendizaje automático sea accesible para una gama más amplia de desarrolladores. Significa que una entidad no se queda reteniendo cantidades masivas de información capturada en conjuntos de datos globales.

“La personalización siempre será necesaria para el mejor desempeño”, dijo McDuff.

El sistema también protege la información privada porque se puede ejecutar completamente en un teléfono u otro dispositivo, manteniendo los datos fuera de la nube.

El siguiente paso de los investigadores es probar la tecnología en un entorno clínico, que está en proceso.

Shwetak Patel, profesor de la Escuela Allen y del Departamento de Ingeniería Eléctrica e Informática, fue un autor principal de la investigación de la Universidad de Washington. Patel ha estado trabajando durante muchos años en tecnología que convierte los teléfonos inteligentes comunes en dispositivos de monitoreo de la salud. Es el cofundador de Senosis Health, una empresa derivada de la Universidad de Washington que fue adquirida por Google.

Otros autores incluyen a Ziheng Jiang, estudiante de doctorado en la Escuela Allen; Josh Fromm, un graduado de la UW que ahora trabaja en OctoML; y Xuhai Xu, estudiante de doctorado en la Escuela de Información.

Shwetak PatelShwetak Patel, profesor de la Escuela de Ciencias e Ingeniería Informática Paul G. Allen y del Departamento de Ingeniería Eléctrica e Informática de la Universidad de Washington. (Foto de UW)

La investigación fue financiada por la Fundación Bill y Melinda Gates, Google y la Universidad de Washington.

A medida que la salud digital está en una ola de popularidad impulsada por COVID y se aviva con millones de dólares en nuevas inversiones, los investigadores se esfuerzan por desarrollar herramientas tecnológicas que puedan brindar una atención médica más sólida en entornos remotos.

Los desarrollos que convierten los dispositivos tecnológicos ordinarios en herramientas para el cuidado de la salud están en el momento oportuno para satisfacer la creciente demanda de telesalud. Amazon dijo el mes pasado que expandirá su servicio de salud remoto Amazon Care a los no empleados, primero en el estado de Washington y luego en todo el país a finales de este año. La startup de telemedicina de Seattle 98point6 recaudó $ 118 millones en octubre a medida que su servicio de membresía crece rápidamente en medio de la pandemia.

Un grupo separado de investigadores de la Universidad de Washington reveló el mes pasado una tecnología que utiliza algoritmos de aprendizaje automático para convertir altavoces inteligentes en dispositivos médicos sensibles que pueden detectar latidos cardíacos irregulares.