Aortastenose, forsnævringen af aortaklappen, er en af de mest almindelige og alvorlige hjerteklapdysfunktioner. Normalt forårsaget af en ophobning af calciumaflejringer (eller nogle gange på grund af en medfødt hjertefejl), begrænser denne indsnævring blodgennemstrømningen fra venstre ventrikel til aorta og kan i alvorlige tilfælde føre til hjertesvigt.
Udviklingen af følsomme, omkostningseffektive teknikker til at identificere tilstanden er altafgørende, især til brug i fjerntliggende områder uden adgang til sofistikeret teknologi. For at imødekomme denne udfordring har forskere fra Indien og Slovenien skabt en nøjagtig, letanvendelig og billig metode til at identificere hjerteklapdysfunktion ved hjælp af kompleks netværksanalyse.
"Mange sundhedscentre på landet har ikke den nødvendige teknologi til at analysere sygdomme som denne," forklarer teammedlem MS Swapna fra Universitetet i Nova Gorica, i en pressemeddelelse. "Til vores teknik har vi bare brug for et stetoskop og en computer."
Hør forskellen
En rask person producerer to hjertelyde: den første ("lub") på grund af lukningen af mitral- og trikuspidalklapperne og den anden ("dub"), når aorta- og lungeklapperne lukker, med en pause (den systoliske region) imellem . Disse signaler indeholder bæreinformation om blodgennemstrømningen gennem hjertet, med variationer i tonehøjde, intensitet, placering og timing af lydene, der giver væsentlig information relateret til en patients helbred.
Swapna og kolleger – Vijayan Vijesh, K Satheesh Kumar og S Sankararaman fra Universitetet i Kerala – havde til formål at udvikle en simpel metode baseret på grafteori til at identificere aortastenose hjertemislyd. For at gøre dette undersøgte de 60 digitale hjertelydsignaler fra normale hjerter (NMH) og hjerter med aortastenose (ASH). De udsatte signalerne for hurtig Fourier-transformation (FFT), komplekse netværksanalyser og maskinlæringsbaseret klassificering og rapporterede deres resultater i Journal of Applied Physics.
Forskerne konverterede først hvert lydsignal til en tidsserie. Signalet fra et repræsentativt sundt hjerte viste tydeligt de to hjertelyde og adskillelsen mellem dem, mens signaler fra hjerter med aortastenose viste diamantformede mislyde.
Dernæst brugte holdet FFT til at konvertere tidsdomænesignalerne til frekvensdomænet og dermed give information om frekvenskomponenterne i mislyden, som varierer med ventildysfunktion. FFT-analysen for NMH viste veldefinerede toppe fra de to lydsignaler i et normalt hjerte. For ASH indeholdt FFT-spektret imidlertid et stort antal signaler over et bredt frekvensområde uden tydelige peaks, der kunne tildeles lub- og dub-lydene. Disse yderligere komponenter tilskrives vibrationer, der opstår fra calciumaflejringer, der blokerer aortaklappen og skaber turbulens i blodgennemstrømningen.
Mens både tidsdomæne- og FFT-analyser muliggør foreløbig identifikation af defekte ventiler, for at analysere lydsignalerne yderligere, brugte forskerne dataene til at skabe en graf eller et komplekst netværk af forbundne punkter. De opdeler dataene i sektioner, hvor hver del er repræsenteret som en knude på grafen. Hvis lyden i den del af dataene lignede en anden sektion, tegnes en linje mellem de to noder.
I et sundt hjerte viste grafen to adskilte klynger af punkter med mange ikke-forbundne noder. De ikke-forbundne noder skyldes sandsynligvis fraværet af et tidsdomænesignal i den systoliske region, hvilket indikerer, at hjertet fungerer korrekt. Netværket af et hjerte med aortastenose var langt mere komplekst, med to fremtrædende klynger og et fravær af ukorrelerede noder, hvilket tyder på en potentiel klapdefekt.
Holdet udtog et sæt parametre, kendt som graffunktionerne, fra grafen for hvert signal. Disse egenskaber (det gennemsnitlige antal kanter, diameter, netværkstæthed, transitivitet og centralitet mellem hinanden) kan derefter bruges af maskinlæringsteknikker til at klassificere signalerne som enten ASH eller NMH.
Avanceret hjerte-MRI vejleder behandling af stift hjertesyndrom
Tre overvågede maskinlæringsklassifikatorer – K-nearest neighbor (KNN), støttevektormaskine og KNN-underrumsensemble – udviste forudsigelsesnøjagtigheder på henholdsvis 100 %, 95.6 % og 90.9 %. Denne høje nøjagtighed antyder, at brugen af disse matematiske begreber kunne give større følsomhed og pålidelighed i digital hjerteauskultation og let kunne anvendes i sundhedscentre på landet.
Forskerne har indtil videre kun testet metoden med eksisterende data, ikke i kliniske omgivelser. De er nu ved at udvikle en mobilapplikation, der kan tilgås over hele verden. "I øjeblikket analyserer vi andre hjertemislyde for at lave en omfattende analyse af hjertemislyde," fortæller Swapna Fysik verden. "Derefter vil arbejdet blive udvidet til virkelige data ved direkte at optage lyden med hjælp fra en læge. Udviklingen af software og en mobilapplikation kommer i den tredje fase af arbejdet."
