Oxímetro de pulso adaptativo mejora medición de oxígeno en distintos tonos de piel

Los oxímetros de pulso estándar pueden leer de forma incorrecta la saturación de oxígeno en la sangre en personas con piel más oscura porque la melanina afecta cómo se absorbe y se refleja la luz. Esto puede contribuir a la hipoxemia oculta, en la que niveles arteriales de oxígeno peligrosamente bajos pasan desapercibidos en las lecturas rutinarias, un problema que se ha informado con mayor frecuencia en pacientes negros. Dado que las mediciones precisas de oxígeno son fundamentales para decidir sobre la oxigenoterapia, el ingreso hospitalario y los cuidados intensivos, investigadores de la Universidad Tufts han desarrollado un oxímetro de pulso para llevar en la muñeca que se adapta automáticamente al tono de piel del paciente.

El dispositivo, llamado ChromaSense, mide la saturación de oxígeno en la sangre, la frecuencia cardíaca y la frecuencia respiratoria mediante un módulo del tamaño de un reloj que se lleva en la muñeca. En lugar de basarse en la luz transmitida a través del dedo, analiza la luz reflejada por la piel y el tejido subyacente. Antes de comenzar el monitoreo, el dispositivo captura el perfil de reflectancia de la piel de cada usuario y ajusta tanto la intensidad de la luz emitida como los parámetros de procesamiento de la señal, lo que permite adaptar las mediciones al tono de piel individual.

ChromaSense se basa en la fotopletismografía, que mide los cambios pulsátiles en el volumen sanguíneo microvascular. La saturación de oxígeno se calcula a partir de la absorción relativa de longitudes de onda roja e infrarroja durante el pulso arterial. Como la melanina también absorbe y dispersa la luz, la piel más oscura puede debilitar la señal óptica o alterar la relación utilizada para calcular la saturación. La calibración individualizada del sistema está diseñada para reducir estos errores tanto a nivel de la medición como del algoritmo.

Las preocupaciones sobre el sesgo en los oxímetros de pulso convencionales cobraron protagonismo durante la pandemia de COVID-19, cuando un estudio de 2020 en New England Journal of Medicine informó hipoxemia oculta en hasta el 17% de los pacientes negros, más del triple de la tasa observada en pacientes blancos. En las pruebas iniciales con 50 participantes de distintos tonos de piel, ChromaSense midió la saturación de oxígeno con una diferencia de 1,4% respecto de un oxímetro de referencia estándar en niveles normales de saturación.

En un nuevo estudio en el Laboratorio de Investigación de la Hipoxia de la Universidad de California en San Francisco, se redujo brevemente la saturación de voluntarios sanos en un rango del 70% al 100%. El dispositivo logró una precisión dentro de un 2,87% respecto de un oxímetro de referencia basado en sangre, cumpliendo los requisitos de rendimiento de la Administración de Alimentos y Medicamentos de Estados Unidos (FDA) sin un sesgo observable dependiente del tono de piel, incluso a niveles más bajos de oxígeno.

Los investigadores también están explorando la monitorización de la presión arterial sin manguito mediante formas de onda de fotopletismografía (PPG). Se evaluaron modelos de aprendizaje automático entrenados con grandes bases de datos sanitarias en 2.315 pacientes adultos de unidades de cuidados intensivos, abarcando subgrupos por raza, género, edad y combinados, y se informó una precisión de hasta 90% para la presión arterial sistólica y diastólica. Esta capacidad aún no se ha integrado en ChromaSense.

“El trabajo sobre presión arterial aún no está incorporado en ChromaSense, pero el objetivo es, en el futuro, integrar ese modelo de aprendizaje automático en el dispositivo”, dijo Valencia Koomson, profesora asociada de ingeniería eléctrica e informática en Tufts University.

“Si entrenas un modelo que convierte señales de luz en oxígeno en sangre, pulso o presión y no te aseguras de que el conjunto de datos con el que lo entrenas sea lo suficientemente diverso en términos de edad, raza y género, eso puede afectar el rendimiento o la precisión del modelo. Un modelo que aparentemente tenga un alto rendimiento puede parecer mucho menos impresionante una vez desglosado en grupos específicos”, dijo Koomson.

Enlaces relacionados
Tufts University