Jak PPG różnicuje zmiany objętości krwi spowodowane zatrzymaniem wody i innymi czynnikami
- październik 6, 2024
- Daniel Lantape
- 0

Fotopletyzmografia (PPG) jest nieinwazyjną techniką optyczną, która pozwala na pomiar zmian objętości krwi w tkankach obwodowych.
Chociaż może skutecznie wskazywać na zatrzymanie płynów, odróżnienie tych zmian od innych czynników wpływających na objętość krwi jest kluczowe dla dokładnej oceny układu sercowo-naczyniowego. Oto, w jaki sposób PPG osiąga to rozróżnienie:
1. Analiza przebiegu
Sygnały PPG składają się z odrębnych cech przebiegu, które odzwierciedlają różne stany fizjologiczne:
– Zmiany amplitudy: W przypadku zatrzymania wody amplituda przebiegu PPG zwykle wzrasta ze względu na większą objętość krwi. Z drugiej strony, takie stany jak sztywność tętnic mogą zmniejszyć amplitudę przebiegu, co pozwala na rozróżnienie zatrzymania płynów i innych czynników wpływających na podatność naczyń [1][3].
– Cechy morfologiczne: Specyficzne cechy przebiegu PPG, takie jak szczyt skurczowy i wcięcie dykrotyczne, pozwalają na uzyskanie wglądu w zdrowie naczynioweZmiany tych cech mogą wskazywać, czy zmiany te są spowodowane zatrzymaniem płynów lub innymi czynnikami hemodynamicznymi[1][5]. Na przykład sztywniejsza tętnica może wykazywać zmniejszoną amplitudę i zmieniony kształt fali w porównaniu ze zdrowym naczyniem.
2. Czas przybycia impulsu
Czas potrzebny fali tętna na przebycie drogi od serca do miejsca pomiaru (czas dotarcia tętna) może również wskazywać na stan objętości krwi:
– Opóźnione przybycie impulsu: W przypadkach zwiększonej objętości krwi z powodu zatrzymania wody, czas dotarcia tętna może być krótszy w porównaniu do stanów, w których występuje sztywność tętnic lub inne przeszkody. Ta metryka pomaga ocenić, czy zmiany są spowodowane przede wszystkim gromadzeniem się płynu czy oporem naczyniowym[5][6].
3. Integracja z innymi danymi fizjologicznymi
PPG można zwiększyć poprzez połączenie go z dodatkowymi pomiarami fizjologicznymi:
– Techniki uzupełniające: Zastosowanie PPG wraz z elektrokardiografią (EKG) umożliwia bardziej kompleksową analizę zdrowia układu sercowo-naczyniowego. Korelacja między HRV mierzoną obiema metodami może pomóc odróżnić zmiany związane z płynami od tych spowodowanych arytmią lub innymi problemami kardiologicznymi[5][6].
– Algorytmy uczenia maszynowego: Zaawansowane algorytmy mogą analizować sygnały PPG bardziej efektywnie, identyfikując wzorce związane z zatrzymaniem płynów w porównaniu z innymi schorzeniami układu sercowo-naczyniowego. Algorytmy te mogą uczyć się z danych historycznych, aby zwiększyć dokładność rozróżniania różnych przyczyn zmian objętości krwi[2][4].
4. Kontekst kliniczny i monitorowanie pacjenta
Zrozumienie kontekstu klinicznego jest niezbędne do prawidłowej interpretacji danych PPG:
– Historia pacjenta i objawy: Monitorowanie pacjentów ze znaną niewydolnością serca lub obrzękiem zapewnia kontekst, który pomaga w interpretacji odczytów PPG. Na przykład, jeśli pacjent zgłasza objawy przeciążenia płynami, wzrost amplitudy PPG prawdopodobnie wskazywałby na zatrzymanie wody, a nie inne czynniki[2][4].
– Monitorowanie podłużne: Ciągły monitoring w czasie pozwala pracownikom służby zdrowia na ustalenie punktów bazowych dla poszczególnych pacjentów. Odchylenia od tych punktów bazowych mogą wskazywać na zmiany spowodowane zatrzymaniem wody lub innymi zmianami fizjologicznymi, co zwiększa dokładność diagnostyczną[4].
Podsumowując, PPG różnicuje zmiany objętości krwi spowodowane zatrzymaniem wody od innych czynników poprzez szczegółową analizę przebiegu fali, ocenę czasu przybycia tętna, integrację z danymi uzupełniającymi i uwzględnienie kontekstu klinicznego. Metody te zwiększają jego użyteczność jako narzędzia monitorującego w zarządzaniu zdrowiem układu sercowo-naczyniowego.
Cytaty:
[1] https://www.nature.com/articles/s41598-024-51395-y
[2] https://www.frontiersin.org/journals/cardiovascular-medicine/articles/10.3389/fcvm.2022.933215/full
[3] https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8073123/
[4] https://dcri.org/news/scale-measures-fluid-retention-improves-prediction-heart-failure-events
[5] https://www.frontiersin.org/journals/physiology/articles/10.3389/fphys.2022.859763/full
[6] https://www.ncbi.nlm.nih.gov/pmc/articles/PMC11268918/
[7] https://www.mdpi.com/2306-5354/10/4/460
[8] https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7919012/