Las cámaras del teléfono móvil ahora pueden medir tu pulso y respiración

La técnica podría ampliar las capacidades de la telemedicina.

La telemedicina ha despegado desde la pandemia, ya que la atención médica a través de una cámara no conlleva ningún riesgo de COVID-19.

Sin embargo, existen límites a lo que los médicos y enfermeras pueden aprender de forma remota: pruebas de diagnóstico y mediciones médicas que pueden requerir contacto físico o un examen minucioso de los matices que se pueden perder en Internet.

Investigadores de la Universidad de Washington han ideado una forma de medir la frecuencia respiratoria y el pulso de los pacientes a través de una computadora o la cámara de un teléfono inteligente, en un intento de hacer que la telemedicina sea más precisa y útil.

Según UW News, el sistema, llamado MetaPhys, funciona mediante el uso de un algoritmo de aprendizaje automático para identificar y realizar un seguimiento de los cambios en la forma en que la luz se refleja en la cara de un paciente. Esas sutiles diferencias se correlacionan con cambios en el flujo sanguíneo, a partir de los cuales se pueden deducir el pulso y la frecuencia respiratoria.

"El aprendizaje automático es bastante bueno para clasificar imágenes. Si le das una serie de fotos de gatos y luego le dices que busque gatos en otras imágenes, puede hacerlo", dijo Xin Liu, autor principal del estudio y Paul G. Allen Estudiante de doctorado de la Facultad de Ciencias de la Computación e Ingeniería, dijo a UW News.

"Pero para que el aprendizaje automático sea útil en la detección remota de la salud, necesitamos un sistema que pueda identificar la región de interés en un video que contenga la fuente más fuerte de información fisiológica (pulso, por ejemplo) y luego medirla a lo largo del tiempo".

La iteración original del sistema del equipo se presentó el pasado mes de diciembre en la conferencia Neural Information Processing Systems; esta segunda versión, que los investigadores presentaron el 8 de abril en la Conferencia de Salud, Interfaz y Aprendizaje de la Association for Computing Machinery, evita algunos de los escollos que atrapó a su predecesor.

"Hay grandes diferencias individuales en los procesos fisiológicos, lo que dificulta el diseño de algoritmos personalizados de detección de la salud", escribieron los investigadores en su artículo disponible en arXiv. "Los sistemas de aprendizaje automático existentes luchan por generalizar bien a temas o contextos invisibles y, a menudo, pueden contener sesgos problemáticos".

Por ejemplo, debido a que el algoritmo observa el reflejo de la luz en la piel, diferentes fondos, iluminación y color de la piel pueden hacer que MetaPhys se desvanezca.

La primera versión del sistema se entrenó utilizando un conjunto de datos lleno de rostros de personas, así como sus índices de pulso y respiración medidos de forma independiente. Pero presentado con datos demasiado diferentes de este conjunto de datos, su rendimiento disminuyó. MetaPhys mejora estos problemas mediante la creación de modelos de aprendizaje automático personalizados para cada paciente, seleccionando lugares en los que centrarse en diferentes circunstancias, incluida la iluminación y el color de la piel. Aún así, sin embargo, el sistema necesita funcionar.

"Reconocemos que todavía hay una tendencia hacia un rendimiento inferior cuando el tipo de piel del sujeto es más oscuro", dijo Liu.

"Esto se debe en parte a que la luz se refleja de manera diferente en la piel más oscura, lo que resulta en una señal más débil para que la cámara la capte. Nuestro equipo está desarrollando activamente nuevos métodos para resolver esta limitación".

Ese problema, que obviamente es motivo de preocupación, se ubica en la categoría de lo que los autores llaman "diferencias individuales", uno de los cuatro desafíos principales que enfrentan MetaPhys y otros sistemas de medición de telesalud basados ​​en cámaras. El vello facial es otra cosa que superar.

Las "diferencias ambientales" incluyen variaciones en la iluminación, mientras que las "diferencias de sensor" entre cámaras pueden significar diferencias en la sensibilidad. Finalmente, están las "diferencias contextuales" en un video, si el paciente está realizando una acción que el algoritmo no encontró en sus datos de entrenamiento.

A pesar de los desafíos, es probable que se necesiten sistemas como MetaPhys en conjunto con la telesalud.

Escrito y publicado por: B. DAVID ZARLEY | Freethink

12 de abril de 2021

Enlace original: https://www.freethink.com/articles/phone-cameras-measure-pulse-breathing