Láseres duales de cascada cuántica para la detección no invasiva de glucosa mediante espectroscopia fotoacústica
Scientific Reports volumen 13, número de artículo: 7927 (2023) Citar este artículo
1991 Accesos
1 Citas
1 altmétrica
Detalles de métricas
La combinación de espectroscopia fotoacústica y de infrarrojo medio ha mostrado avances prometedores como sustituto de la tecnología invasiva de detección de glucosa. Se ha desarrollado un sistema láser de cascada cuántica de longitud de onda única dual utilizando espectroscopia fotoacústica para la monitorización no invasiva de la glucosa. Se han preparado fantasmas de piel biomédicos con propiedades similares a las de la piel humana con componentes sanguíneos en diferentes concentraciones de glucosa como modelos de prueba para la configuración. La sensibilidad de detección del sistema se ha mejorado a ± 12,5 mg/dL en los rangos de hiperglucemia de glucosa en sangre. Se ha desarrollado un clasificador conjunto de aprendizaje automático para predecir el nivel de glucosa en presencia de componentes sanguíneos. El modelo, que se entrenó con 72.360 conjuntos de datos sin procesar, logró una precisión de predicción del 96,7 % con el 100 % de los datos predichos ubicados en las zonas A y B del análisis de la cuadrícula de errores de Clarke. Estos hallazgos cumplen con los requisitos de los monitores de glucosa de la Administración de Alimentos y Medicamentos de EE. UU. y de Health Canada.
Los investigadores han explorado varias técnicas para la detección de glucosa no invasiva, incluida la detección electromagnética1,2, la espectroscopia de impedancia3,4, la detección electroquímica5,6 y la espectroscopia Raman7,8. Sin embargo, ninguno de estos enfoques ha cumplido los requisitos de necesidad fisiológica debido a su baja precisión o inestabilidad operativa9. Se han desarrollado otros enfoques mínimamente invasivos; sin embargo, exigen una implantación quirúrgica iterativa de los sensores, lo que plantea el dilema de la irritación de la piel10. La espectroscopia infrarroja (IR), incluidas las regiones MIR y NIR, se está desarrollando como una técnica alternativa prometedora a los glucómetros invasivos11,12. Tanto el régimen NIR como el MIR demuestran una amplia y fuerte absorción de huellas dactilares de glucosa. Además, la región MIR tiene huellas digitales de glucosa específicas con una interferencia más estrecha con otros componentes sanguíneos en comparación con la región NIR13,14.
La combinación de MIR y espectroscopia fotoacústica (PA) ha mostrado avances prometedores en los últimos años como sustituto de la tecnología invasiva de monitorización de glucosa15,16,17,18. La espectroscopia PA utiliza los modos de vibración de las moléculas de glucosa en la región MIR como un enfoque alternativo para compensar las pérdidas ópticas en la espectroscopia de transmisión y absorbancia. Los láseres de cascada cuántica (QCL) en la región MIR tienen la ventaja de generar señales PA potentes y estables. Las señales acústicas generadas por los QCL pueden llegar al líquido intersticial (ISF) de la piel humana, donde la glucosa se difunde en la capa de la epidermis19. Estas señales acústicas son finalmente recogidas por un micrófono sensible para mostrar una relación directa con el nivel de glucosa en sangre.
La combinación de espectroscopía MIR y PA para la detección no invasiva de glucosa fue explorada por primera vez por Lilienfeld-Toal et al. en 200515. Se utilizaron dos QCL de longitud de onda única, uno en el pico de absorción de glucosa a 1080 cm\(^{-1}\) y el segundo como referencia a 1066 cm\(^{-1}\). Se logró un factor de correlación (\(R^2\)) de 0,61 para las mediciones in vivo. En 2011, Pleitez et al.17 emplearon tres QCL para detectar la concentración de glucosa en la palma en dos picos de glucosa (1084 y 1054 cm\(^{-1}\)) y 1100 cm\(^{-1}\) para el fondo. Se utilizó una celda de gas gemela de Helmholtz y el factor de correlación se mejoró a 0,7. Kottmann et al.16 realizaron mediciones in vitro utilizando un QCL de cavidad externa (EC) ampliamente sintonizable. Se adquirió un límite de detección de glucosa de ± 100 mg/dL con un factor de correlación de 0,998.
En 2013, Kottmann et al.20 utilizaron fibra óptica de haluro de plata para la transmisión de luz con el fin de mejorar la sensibilidad de detección a ± 57 mg/dL con \(R^2\) = 0,993 en una solución acuosa de glucosa. Tres años más tarde, el mismo grupo de investigación empleó una técnica de longitud de onda dual a 1080 y 1180 cm\(^{-1}\) para mediciones in vivo19. El límite de predicción se elevó a ± 30 mg/dL para un nivel de glucosa entre 90 y 170 mg/dL con un nivel de confianza del 90%. Recientemente, la sensibilidad de detección se mejoró a ± 25 mg/dL utilizando una QCL de longitud de onda única a 1080 cm\(^{-1}\) en fantasmas de piel artificiales con el empleo de aprendizaje automático18,21. Sin embargo, para los glucómetros clínicamente aprobados, la sensibilidad de detección debe ser ± 15 mg/dL, según la Administración de Medicamentos y Alimentos de EE. UU. (FDA) y Health Canada22,23. La Tabla 1 resume los avances recientes en la espectroscopia PA y MIR para la detección de glucosa.
En este artículo, la sensibilidad de detección de glucosa de la espectroscopia MIR y PA ha mejorado a ± 12,5 mg/dL utilizando QCL duales de longitud de onda única (1080 y 970 cm\(^{-1}\)) para la monitorización no invasiva de la glucosa. Se han preparado fantasmas de piel artificiales con propiedades similares a las de la piel humana con componentes sanguíneos en diferentes concentraciones de glucosa de 100 a 275 mg/dL como modelos de prueba para el sistema. Este rango de glucosa cubre el ámbito de interés para los niveles de glucosa en sangre en personas sanas y en personas que viven con diabetes. El sistema dual QCL demuestra sostenibilidad en la detección de concentraciones de glucosa en presencia de albúmina, lactato de sodio, colesterol y urea. Se ha desarrollado un modelo clasificador de aprendizaje automático (ML) para predecir el nivel de glucosa de muestras de piel. El modelo ha logrado una precisión de predicción del 96,7 % para muestras con y sin componentes sanguíneos, con el 100 % de los datos predichos ubicados en las zonas A y B del análisis de cuadrícula de errores de Clarke (EGA).
La transformación del espacio libre al acoplamiento de fibra óptica para transmisiones de luz mejoró la SNR del sistema con un promedio del 81% para todo el espectro, como se muestra en la Fig. 1. La suspensión de los ruidos de fondo ayuda a cuantificar las señales de glucosa en el rango acústico investigado. Tal mejora facilitó el logro del objetivo de mejorar la sensibilidad de detección de la configuración a ± 12,5 mg/dL. Además, ayudó a refinar el factor de correlación entre las señales de glucosa detectadas.
Ruido de fondo en el espacio libre y transmisión de luz por fibra acoplada.
Las Figuras 2a, b muestran las señales acústicas obtenidas del primer conjunto de fantasmas de glucosa para los QCL de 9,25 \(\upmu\)m y 10,3 \(\upmu\)m, respectivamente. Las cifras muestran el promedio de las 10 rondas de medición de los dos días para cada fuente de luz por concentración de glucosa. La diferencia de glucosa en las muestras se fijó en ± 25 mg/dL en el rango de no diabéticos y ± 12,5 mg/dL en el rango de diabéticos, con el objetivo de lograr una sensibilidad de detección que cumpla con los requisitos de la FDA y Health Canada22,23. Para el QCL de 9,25 \(\upmu\)m, que se concentra en la huella digital de glucosa, se espera que los fantasmas con concentraciones más altas de glucosa generen señales acústicas más fuertes debido a la mayor absorción de luz por parte de las moléculas de glucosa. Se descubrió que el tercer pico del espectro acústico recopilado, que oscila entre 21 y 25 kHz, era el más estrechamente correlacionado con las diferencias de glucosa en las muestras. Por el contrario, las señales del QCL de 10,3 \(\upmu\)m, como se esperaba, no han mostrado una correlación positiva con las diferencias de glucosa en los fantasmas. Esto se debe a que la longitud de onda de 10,3 \(\upmu\)m no responde a las moléculas de glucosa. Por tanto, esta longitud de onda se puede utilizar como referencia para restar los efectos de fondo.
Después de obtener el espectro acústico de las muestras de glucosa para ambos QCL, se integró el área bajo las curvas para mostrar la relación entre la señal acústica y los fantasmas de glucosa correspondientes. La Figura 2c muestra dos casos de resultados, uno cuando se usa solo el QCL de 9.25 \(\upmu\)m y el otro cuando se usan dos QCL. En cuanto al primer caso, las señales integradas del láser de 9,25 \(\upmu\)m muestran una correlación positiva entre las señales acústicas y la concentración de glucosa con un factor de correlación lineal de 0,946. La fuente de luz de 9,25 \(\upmu\)m pudo detectar las diferencias de glucosa en las muestras con diferencias de glucosa de ± 25 y ± 12,5 mg/dL. Las resoluciones promedio entre las señales acústicas de dos muestras de glucosa con ± 25 y ± 12,5 mg/dL son 3,8% y 3,5%. Estas resoluciones indican inconsistencia en las diferencias de las señales acústicas de glucosa, lo que muestra la importancia de agregar un QCL de referencia que no corresponda a las moléculas de glucosa para mejorar la consistencia de las diferencias. Como resultado, se añadió al sistema el QCL de 10,3 \(\upmu\)m como fuente de luz de referencia. Los resultados de dos mediciones de QCL mejoraron las resoluciones promedio de las muestras de glucosa con ± 25 y ± 12,5 mg/dL a 4,8% y 2,7%, lo que mejoró el factor de correlación a 0,989, como se muestra en el segundo caso de la Fig. 2c. Además, la desviación estándar de los resultados se redujo de 1,51 utilizando un único QCL a 0,79 utilizando dos QCL. Se evaluó la desviación estándar para determinar la fluctuación en las diferencias entre las muestras de glucosa para todo el conjunto. En este experimento, la sensibilidad de detección se mejoró a ± 12,5 mg/dL para los datos no procesados utilizando un QCL de longitud de onda única. La sensibilidad de detección se mejoró aún más agregando una longitud de onda de referencia al sistema para restar el efecto de fondo.
Mediciones del primer conjunto de fantasmas de glucosa de 100 a 275 mg/dL.
El segundo conjunto de fantasmas de glucosa se preparó añadiendo otros componentes sanguíneos, a saber, albúmina, lactato de sodio, colesterol y urea. Estos componentes sanguíneos se agregaron simultáneamente a las muestras de glucosa que oscilaban entre 100 y 275 mg/dL. El objetivo era examinar la capacidad de detección del sistema en presencia de estos componentes que pueden interferir con la glucosa en las mediciones in vivo. Las Figuras 3a, b muestran el promedio de 10 rondas de señales acústicas por concentración de glucosa de la medición de dos días utilizando los QCL de 9,25 \(\upmu\)m y 10,3 \(\upmu\)m. Los resultados muestran que los componentes sanguíneos que se agregaron a las muestras interfirieron con las señales de glucosa, lo que redujo la eficiencia de detección del QCL de 9,25 \(\upmu\)m. El impacto de los componentes sanguíneos se revela claramente en el factor de correlación lineal cuando se integra el área bajo la curva del espectro acústico. La Figura 3c muestra la relación entre las señales acústicas y los fantasmas de glucosa correspondientes utilizando QCL simples y duales. Cuando solo se utilizó el QCL de 9,25 \(\upmu\)m, el sistema no pudo detectar correctamente algunas de las muestras de glucosa. El factor de correlación lineal de usar solo el QCL de 9,25 \(\upmu\)m es 0,859 con una resolución promedio del 2,01% entre las muestras de glucosa. Cuando se utilizó el QCL de 10,3 \(\upmu\)m como referencia en las mediciones, el factor de correlación mejoró a 0,987 con una resolución promedio del 2,15%. La desviación estándar de las mediciones se redujo de 1,79 usando un único QCL a 0,72 usando dos QCL. Por tanto, en este caso, añadir una fuente de luz de referencia es fundamental para eliminar las señales que se reciben de componentes sanguíneos distintos a la glucosa. Además, la fuente de luz de referencia ayuda a restar los efectos de las condiciones ambientales que varían durante el experimento, como la temperatura y la humedad, para mantener los resultados compatibles.
Mediciones del segundo conjunto de fantasmas de glucosa con componentes sanguíneos de 100 a 275 mg/dL.
Se ha estudiado el efecto de la lente sobre la precisión de las mediciones para determinar la necesidad de instalar una lente óptica en el sistema. El objetivo principal de la lente es permitir que ambos QCL irradien en el punto exacto de las muestras, lo que ayuda a la selectividad de detección en el caso de una distribución no uniforme de los componentes sanguíneos. La Figura 3d muestra la relación entre las señales acústicas y las muestras de glucosa correspondientes utilizando QCL duales con y sin lente óptica. En ambos casos, el sistema pudo detectar glucosa en presencia de componentes sanguíneos. Sin embargo, la instalación de una lente óptica mejoró la desviación estándar en la consistencia de las diferencias en un 60%. Además, el factor de correlación mejoró de 0,934 a 0,987 cuando se instaló la lente en el sistema. La Tabla 2 resume los resultados de los dos fantasmas de glucosa y el efecto de lente.
Después de establecer la viabilidad del sistema para detectar glucosa en fantasmas de piel con y sin componentes sanguíneos utilizando QCL duales, se desarrolló un modelo de clasificación conjunto utilizando los datos no procesados. El modelo se entrenó con las señales acústicas sin procesar de ambos QCL con 72.360 conjuntos de datos. El clasificador de conjunto logró una precisión de predicción del 96,7% utilizando un árbol de decisión de 30 alumnos y un número de división máximo de 180. La matriz de confusión del clasificador de conjunto se muestra en la Fig. 4a. La matriz de confusión visualiza el rendimiento del clasificador representando las clases predichas frente a las clases de referencia. Luego, la matriz de confusión se convirtió en EGA de Clarke, como se muestra en la figura 4b, para evaluar el modelo de acuerdo con los requisitos de la FDA. La figura representa la cantidad de veces que el clasificador predice la clase de glucosa para cada muestra de datos. Esto da como resultado que el 98,89% de los resultados pronosticados se ubiquen en la zona A, mientras que el 1,11% está en la zona B. Por lo tanto, el modelo desarrollado califica para los estándares de la FDA para monitores de glucosa, que requieren que el 99% de los datos pronosticados estén en las zonas A. y B. Es necesaria una mayor evolución en el desarrollo del modelo ML para que las mediciones in vivo construyan un modelo sólido. Por ejemplo, la integración de algoritmos de selección de características puede mejorar la precisión de la predicción de los modelos de ML y evitar problemas de sobreajuste. Además, el preprocesamiento de los datos puede ayudar a eliminar los ruidos generados en el fondo.
Rendimiento del modelo de clasificación de conjuntos desarrollado.
Se desarrolló un sistema QCL dual que utiliza espectroscopia fotoacústica para la detección de glucosa no invasiva. El sistema desarrollado muestra sostenibilidad en la detección de glucosa para los fantasmas de la piel utilizando QCL de longitud de onda única y doble. La sensibilidad de detección del sistema se mejoró a ± 12,5 mg/dL utilizando un láser QCL con una huella digital de glucosa de 9,25 \(\upmu\)m con un factor de correlación de 0,946. Este factor de correlación mejoró a 0,989 cuando se agregó al sistema un QCL de referencia, con un láser de 10,3 \(\upmu\)m. Además, la configuración dual QCL demuestra resultados prometedores en la detección de glucosa en presencia de otros componentes sanguíneos que interfieren con la huella digital de la glucosa, a saber, albúmina, lactato de sodio, colesterol y urea. Se logró un factor de correlación de 0,987 para las mediciones de los dos días con una desviación estándar de 0,72. Se integró una lente óptica en el sistema para permitir que ambos láseres irradien en el punto exacto de las muestras cuando se agregaron los componentes sanguíneos a las muestras. El factor de correlación mejoró de 0,934 a 0,987 cuando se instaló una lente óptica.
Los 72.360 conjuntos de datos obtenidos de las mediciones se utilizaron para entrenar un modelo de clasificación de conjuntos. Las señales acústicas de los dos juegos de piel fantasma se utilizaron en el entrenamiento. El modelo predijo con éxito las clases correctas de fantasmas con una precisión del 96,7%. Todos los resultados previstos se ubicaron en las zonas A y B del EGA de Clarke. Estos hallazgos cumplieron ambas condiciones de la FDA y se consideraron la etapa final antes de realizar las mediciones in vivo.
La configuración experimental de los QCL duales y la espectroscopia PA para la detección de glucosa no invasiva se muestra en la Fig. 5. En la configuración desarrollada, se emplearon dos QCL de longitud de onda única. El primer QCL tenía una huella digital de glucosa de 9,25 \(\upmu\)m (1080 cm\(^{-1}\)) (QD9500CM1, Thorlabs, Newton, Nueva Jersey, EE. UU.), y el segundo se empleó como referencia. a las mediciones con láser a 10,3 \(\upmu\)m (970 cm\(^{-1}\)) (QD10500CM1, Thorlabs, Newton, Nueva Jersey, EE. UU.). Las corrientes umbral de los QCL de 9,25 \(\upmu\)m y 10,3 \(\upmu\)m son de alrededor de 180 mA y 280 mA, respectivamente. Los haces de luz de los QCL duales se entregaron a la celda PA mediante cables de fibra óptica (2FB-HF300LW-SMA-Bk0.5/0.5m, Guiding Photonics, Estados Unidos). Ambos láseres se operaron en modo pulsado a temperatura ambiente con un ciclo de trabajo del 40%. Las corrientes del láser se modularon en frecuencia de 10 a 40 kHz mediante un generador de funciones (Agilent 55321A) con un paso de frecuencia de 150 Hz.
Se prepararon dos conjuntos principales de fantasmas de piel artificiales con diferentes concentraciones de glucosa para utilizarlos como modelos de prueba para el sistema desarrollado. Se prepararon ambos conjuntos, que van desde 100 a 275 mg/dL con el fin de cubrir el rango de interés para los niveles de glucosa en sangre en individuos sanos y con diabetes. Los fantasmas de piel con glucosa se prepararon siguiendo el trabajo de Lazebnik et al.26 y Aloraynan et al.18. El propósito del primer conjunto fue examinar la sostenibilidad del sistema en la detección de diferencias de glucosa en ± 25 y ± 12,5 mg/dL utilizando QCL simples y duales. El primer conjunto se dividió en dos categorías: el rango no diabético (100 a 225 mg/dL) y el rango diabético (225 a 275 mg/dL). La diferencia de glucosa se fijó en ± 25 mg/dL en el rango de no diabéticos, mientras que en el rango de diabéticos se redujo a ± 12,5 mg/dL. Las diferencias se redujeron en el rango de diabéticos, con el objetivo de lograr una sensibilidad de detección dentro de las especificaciones de la FDA.
Esquema de la configuración utilizada para la detección de glucosa mediante espectroscopia MIR y PA.
El segundo conjunto de fantasmas de glucosa se preparó disolviendo los componentes sanguíneos que interfieren con la huella digital de la glucosa en la región MIR27, a saber, albúmina, lactato de sodio, colesterol y urea. Los espectros MIR de la glucosa y estos componentes sanguíneos se proporcionan en 13. Los componentes se trituraron y se remojaron durante la noche en agua desionizada para crear una solución uniforme antes de agregarlos a la solución que produjo los fantasmas de glucosa. Todos los componentes se agregaron según su rango normal en sangre humana para examinar la selectividad de detección y la sensibilidad del sistema utilizando QCL simples y duales. La albúmina ocupa la mayor parte del peso de los componentes sanguíneos con 4500 mg/dL, luego el colesterol con 160 mg/dL, la urea con 15 mg/dL y el lactato de sodio con 12 mg/dL. Después de preparar una solución homogénea, se añadió glucosa para producir ocho concentraciones diferentes de 100 a 275 mg/dL con una distinción de ± 25 mg/dL. Todos los componentes sanguíneos, incluida la glucosa, utilizados en la preparación de la muestra se compraron (Sigma-Aldrich, Canadá). Se proporciona más información sobre la preparación de los fantasmas de piel artificial en 18.
El primer conjunto de fantasmas de glucosa preparados, que oscilaban entre 100 y 225 mg/dl a ± 25 mg/dl y 225 a 275 a ± 12,5 mg/dl, se colocaron individualmente en la celda PA sobre la cavidad del resonador a temperatura ambiente. Se aplicó una presión de 6 N/cm\(^2\) a las muestras, medida por un sensor de presión sensible (400 FSR, Interlink Electronics, Toronto, ON, Canadá). Aplicar una presión constante a lo largo de las mediciones es esencial para la compatibilidad de los resultados18. Los QCL de 9,25 \(\upmu\)m y 10,3 \(\upmu\)m se operaron a 220 mA y 300 mA con una potencia promedio de 8 mW y 5 mW, respectivamente. Los haces modulados con fibra acoplada de los QCL de 10,3 y 9,25 \(\upmu\)m se enfocaron en la cavidad de la célula PA para generar ondas acústicas. Primero se ejecutó el QCL de 10,3 \(\upmu\)m como fuente de luz de referencia para las mediciones. Cada muestra se escaneó de 10 a 40 khz con un paso de frecuencia de 0,15 khz para ambos láseres. Las ondas acústicas se amplificaron dentro de la cavidad del PA y se recogieron mediante un micrófono sensible (SPU0410LR5H-QB). Un amplificador lock-in (SR830) procesó las señales PA recopiladas con una constante de tiempo de 300 ms. Las mediciones se repitieron cinco veces por fuente de luz y las señales acústicas recopiladas se transmitieron a la PC a través de un sistema de adquisición de datos para su posterior análisis. El experimento se repitió durante dos días con muestras nuevas, siguiendo procedimientos similares.
Se instaló una lente IR plano-convexa (ZNPX11, NEWPORT, Estados Unidos) debajo de la cavidad PA, como se muestra en la Fig. 6, antes de realizar las mediciones para el segundo conjunto de muestras, que contiene componentes sanguíneos. La lente de seleniuro de zinc es transparente para ambos láseres y les permite irradiar en el punto exacto de las muestras, generando así ondas acústicas a partir de una fuente idéntica. El último conjunto de mediciones fue diseñado para estudiar los efectos de la lente óptica en la precisión de los resultados. En este conjunto de mediciones, las muestras de glucosa con componentes sanguíneos se sometieron a dos días de mediciones con y sin lente. Cuando la lente no estaba instalada, los dos láseres de fibra acoplada irradiaban paralelos a la muestra con una superposición de aproximadamente 1 mm entre sus puntos de haz en las muestras. La Tabla 3 resume el proceso para las tres categorías de mediciones para ambos conjuntos de muestras.
Diseño de la lente óptica.
Se desarrolló un conjunto de modelos de clasificación de árboles de decisión en bolsas utilizando señales acústicas no procesadas obtenidas de mediciones de detección de glucosa. Los modelos de agregación bootstrap ayudan a mejorar la precisión de la predicción y reducir el sobreajuste de los algoritmos28. El modelo fue entrenado con 72.360 conjuntos de datos de señales acústicas obtenidas en las mediciones de ambos conjuntos de fantasmas. El desarrollo de modelos de ML se ve favorecido por la producción de una gran cantidad de conjuntos de datos para entrenamiento a partir de ambos QCL. En ML, cada fila representa un conjunto de datos, mientras que cada columna representa una característica. En este trabajo, los datos de cada frecuencia de muestreo se asignaron a una columna para crear una característica coherente con una etiqueta de clase de glucosa determinada. Por ejemplo, los datos obtenidos a 20 kHz se designaron en una columna para todas las muestras frente a la etiqueta de clase. La presencia de los componentes sanguíneos se asignó en una columna en la disposición de datos con un peso binario. Como resultado, el número total de características utilizadas en la construcción del modelo fue 403. La disposición de los datos para los fines de entrenamiento del clasificador se muestra en la Tabla 4. El modelo se entrenó con todas las características de frecuencia y sin preprocesar los datos para investigar la robustez. de las señales acústicas obtenidas en las mediciones. La cantidad de alumnos del modelo se ajustó durante el entrenamiento para maximizar la precisión de la predicción. Durante el entrenamiento se optimizó el número máximo de divisiones para la técnica del árbol de decisión. El modelo se evaluó utilizando la validación cruzada de k veces de 10 veces. La implementación del aprendizaje automático en la espectroscopia MIR y PA puede ayudar al desarrollo de mediciones in vivo, donde varios parámetros estocásticos pueden influir en señales acústicas como las diferencias en la piel humana. Además, el aprendizaje automático puede sustituir eficazmente el proceso de calibración para construir un modelo de predicción general para la detección de glucosa no invasiva.
Los conjuntos de datos utilizados y/o analizados durante el estudio actual están disponibles del autor correspondiente previa solicitud razonable.
Zhang, R. y col. Detección de glucosa por ondas electromagnéticas no invasivas. Sensores 19, 1151 (2019).
Artículo ADS CAS PubMed PubMed Central Google Scholar
Hanna, J. y col. Sistema multidetección electromagnético no invasivo, portátil y sintonizable para la monitorización continua de la glucosa, que imita la anatomía de la vasculatura. Ciencia. Adv. 6, eaba5320 (2020).
Artículo ADS PubMed PubMed Central Google Scholar
Caduff, A. y col. Monitorización de glucosa no invasiva en pacientes con diabetes: un novedoso sistema basado en espectroscopia de impedancia. Biosens. Bioelectrón. 22, 598–604 (2006).
Artículo CAS PubMed Google Scholar
Huang, J., Zhang, Y. y Wu, J. Revisión de la monitorización continua de glucosa no invasiva basada en espectroscopia de impedancia. Sens. Actuadores A Phys. 311, 112103 (2020).
Artículo CAS Google Scholar
Chen, Y. et al. Sistema biosensor similar a la piel a través de canales electroquímicos para la monitorización no invasiva de la glucosa en sangre. Ciencia. Adv. 3, e1701629 (2017).
Artículo ADS PubMed PubMed Central Google Scholar
Chang, T. y col. Reloj altamente integrado para monitoreo continuo de glucosa no invasivo. Microsistema. Nanoeng. 8, 1–9 (2022).
ADS del artículo Google Scholar
Enejder, AM et al. Espectroscopia Raman para mediciones de glucosa no invasivas. J. Biomed. Optar. 10, 031114 (2005).
Artículo ADS PubMed Google Scholar
Pandey, R. y col. Monitorización no invasiva de la glucosa en sangre con espectroscopia Raman. Acc. Química. Res. 50, 264–272 (2017).
Artículo CAS PubMed PubMed Central Google Scholar
Rassel, S., Xu, C., Zhang, S. y Ban, D. Detección no invasiva de glucosa en sangre mediante un láser de cascada cuántica. Analista 145, 2441–2456 (2020).
Artículo ADS CAS PubMed Google Scholar
Sanchez, P., Ghosh-Dastidar, S., Tweden, KS & Kaufman, FR Datos del mundo real de los primeros usuarios comerciales estadounidenses de un sensor continuo de glucosa implantable. Tecnología de diabetes. El r. 21, 677–681 (2019).
Artículo PubMed Google Scholar
Vashist, SK Tecnología de monitorización de glucosa no invasiva en el tratamiento de la diabetes: una revisión. Anal. Chim. Acta 750, 16-27 (2012).
Artículo CAS PubMed Google Scholar
Entonces, C.-F., Choi, K.-S., Wong, TK y Chung, JW Avances recientes en la monitorización no invasiva de la glucosa. Medicina. Dispositivos (Auckland, Nueva Zelanda) 5, 45 (2012).
CAS Google Académico
Shaw, RA y Mantsch, HH Espectroscopia infrarroja de fluidos biológicos en análisis clínicos y de diagnóstico (Aplicaciones, Teoría e Instrumentación, Enciclopedia de Química Analítica, 2006).
Tang, L., Chang, SJ, Chen, C.-J. y Liu, J.-T. Tecnología de monitorización de glucosa en sangre no invasiva: una revisión. Sensores 20, 6925 (2020).
Artículo ADS CAS PubMed PubMed Central Google Scholar
Von Lilienfeld-Toal, H., Weidenmüller, M., Xhelaj, A. y Mäntele, W. Un enfoque novedoso para la medición de glucosa no invasiva mediante espectroscopia de infrarrojo medio: la combinación de láseres de cascada cuántica (qcl) y detección fotoacústica. Vibración. Espectrosc. 38, 209–215 (2005).
Artículo de Google Scholar
Kottmann, J., Rey, JM, Luginbühl, J., Reichmann, E. y Sigrist, MW Detección de glucosa en epidermis humana mediante detección fotoacústica de infrarrojo medio. Biomédica. Optar. Expreso 3, 667–680 (2012).
Artículo CAS PubMed PubMed Central Google Scholar
Pleitez, M., Von Lilienfeld-Toal, H. & Mäntele, W. Análisis espectroscópico infrarrojo de líquido intersticial humano in vitro e in vivo utilizando espectroscopia FT-IR y láseres de cascada cuántica pulsada (QCL): establecimiento de un nuevo enfoque para métodos no invasivos. Medición de glucosa. Espectroquimia. Acta Parte A Mol. Biomol. Espectroscopia 85, 61–65 (2012).
Artículo ADS CAS Google Scholar
Aloraynan, A., Rassel, S., Xu, C. & Ban, D. Una espectroscopia fotoacústica de infrarrojo medio de longitud de onda única para la detección de glucosa no invasiva mediante aprendizaje automático. Biosensores 12, 166 (2022).
Artículo CAS PubMed PubMed Central Google Scholar
Kottmann, J., Rey, JM y Sigrist, MW Detección fotoacústica de glucosa en el infrarrojo medio en la piel humana: hacia un diagnóstico no invasivo. Sensores 16, 1663 (2016).
Artículo ADS PubMed PubMed Central Google Scholar
Kottmann, J., Grob, U., Rey, JM & Sigrist, MW Sensor fotoacústico acoplado a fibra de infrarrojo medio para aplicaciones biomédicas. Sensores 13, 535–549 (2013).
Artículo ADS CAS PubMed PubMed Central Google Scholar
Aloraynan, A., Rassel, S., Xu, C. & Ban, D. Clasificadores de aprendizaje automático para la detección de glucosa no invasiva mediante espectroscopia fotoacústica de infrarrojo medio de longitud de onda única. En Espectroscopia, microscopía e imágenes biomédicas II, vol. 12144, 97–102 (SPIE, 2022).
Administración de Alimentos y Medicamentos de EE. UU. (FDA). Dispositivos de control de glucosa en sangre (2019).
Salud Canadá. Nuevos requisitos para las solicitudes de licencia de dispositivos médicos para dispositivos de punción y sistemas de monitoreo de glucosa en sangre (2014).
Pleítez, MA et al. Monitoreo no invasivo in vivo de la concentración de glucosa en la epidermis humana mediante espectroscopia fotoacústica pulsada de infrarrojo medio. Anal. Química. 85, 1013-1020 (2013).
Artículo CAS PubMed Google Scholar
Sim, JY, Ahn, C.-G., Jeong, E.-J. & Kim, BK Espectroscopia fotoacústica microscópica in vivo para la monitorización de glucosa no invasiva e invulnerable a los productos de secreción cutánea. Ciencia. Representante 8, 1-11 (2018).
ADS del artículo Google Scholar
Lazebnik, M., Madsen, EL, Frank, GR y Hagness, SC Materiales fantasma que imitan tejidos para aplicaciones de microondas de banda estrecha y banda ultraancha. Física. Medicina. Biol. 50, 4245 (2005).
Artículo PubMed Google Scholar
Jernelv, IL, Strøm, K., Hjelme, DR y Aksnes, A. Espectroscopia infrarroja con un láser de cascada cuántica acoplada a fibra para mediciones de reflexión total atenuada para aplicaciones biomédicas. Sensores 19, 5130 (2019).
Artículo ADS PubMed PubMed Central Google Scholar
Breiman, L. Predictores de embolsado. Mach. Aprender. 24, 123-140 (1996).
Artículo MATEMÁTICAS Google Scholar
Descargar referencias
Este trabajo ha sido apoyado por el Consejo de Investigación en Ingeniería y Ciencias Naturales (NSERC), el Centro de Excelencia de Ontario (OCE), Mitacs y la Universidad de Waterloo, AIH Technologies Inc.
Departamento de Ingeniería Eléctrica e Informática, Universidad de Waterloo, Waterloo, ON, N2L 3G1, Canadá
Abdulrahman Aloraynan, Shazzad Russell, Md. Rejvi Kaysir y Dayan Ban
Instituto Waterloo de Nanotecnología, Universidad de Waterloo, Waterloo, ON, N2L 3G1, Canadá
Abdulrahman Aloraynan, Shazzad Russell, Md. Rejvi Kaysir y Dayan Ban
Departamento de Ingeniería Eléctrica, Universidad Umm Al-Qura, La Meca, Arabia Saudita
Abdulrahman Aloraynan
También puedes buscar este autor en PubMed Google Scholar.
También puedes buscar este autor en PubMed Google Scholar.
También puedes buscar este autor en PubMed Google Scholar.
También puedes buscar este autor en PubMed Google Scholar.
Conceptualización, AA, SR y MR; curación de datos, AA; análisis formal, AA; adquisición de financiación, DB; investigación, AA, SR y MR; metodología, AA, SR y MR; administración de proyectos, DB; recursos, base de datos; software, AA, SR y MR; supervisión, DB; validación, AA; visualización, AA; redacción: borrador original, AA; Escritura: edición de reseñas, AA, SR y MR.
Correspondencia a Abdulrahman Aloraynan o Dayan Ban.
Los autores declaran no tener conflictos de intereses.
Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.
Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.
Reimpresiones y permisos
Aloraynan, A., Rassel, S., Kaysir, MR et al. Láseres duales de cascada cuántica para la detección de glucosa no invasiva mediante espectroscopia fotoacústica. Informe científico 13, 7927 (2023). https://doi.org/10.1038/s41598-023-34912-3
Descargar cita
Recibido: 05 de enero de 2023
Aceptado: 09 de mayo de 2023
Publicado: 16 de mayo de 2023
DOI: https://doi.org/10.1038/s41598-023-34912-3
Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:
Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.
Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt
Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.