تنگی آئورت، باریک شدن دریچه آئورت، یکی از شایع ترین و جدی ترین اختلالات دریچه قلب است. این تنگی که معمولاً به دلیل تجمع رسوبات کلسیم (یا گاهی اوقات به دلیل نقص مادرزادی قلب) ایجاد می شود، جریان خون را از بطن چپ به آئورت محدود می کند و در موارد شدید می تواند منجر به نارسایی قلبی شود.
توسعه تکنیک‌های حساس و مقرون‌به‌صرفه برای شناسایی این وضعیت، به‌ویژه برای استفاده در مناطق دورافتاده بدون دسترسی به فناوری پیشرفته، بسیار مهم است. برای رویارویی با این چالش، محققان هند و اسلوونی روشی دقیق، با کاربرد آسان و کم هزینه برای شناسایی اختلال عملکرد دریچه قلب با استفاده از تحلیل شبکه پیچیده ایجاد کرده‌اند.
عضو تیم توضیح می‌دهد: «بسیاری از مراکز بهداشتی درمانی روستایی فناوری لازم برای تجزیه و تحلیل بیماری‌هایی مانند این را ندارند. ام اس سواپنا از دانشگاه نوا گوریکا، در بیانیه مطبوعاتی برای تکنیک ما فقط به گوشی پزشکی و کامپیوتر نیاز داریم.
تفاوت را بشنو
یک فرد سالم دو صدای قلب تولید می کند: اولی ("لوب") به دلیل بسته شدن دریچه های میترال و سه لتی و دومی ("داب") با بسته شدن دریچه های آئورت و ریوی، با یک مکث (ناحیه سیستولیک) در این بین. . این سیگنال ها حاوی اطلاعاتی در مورد جریان خون در قلب هستند، با تغییرات در زیر و بم، شدت، مکان و زمان صداها اطلاعات ضروری مربوط به سلامت بیمار را ارائه می دهند.
سواپنا و همکاران - ویجایان ویجش، کی ساتیش کومار و اس سانکارارامان از دانشگاه کرالا - با هدف ایجاد یک روش ساده بر اساس نظریه گراف برای شناسایی سوفل قلبی تنگی آئورت. برای انجام این کار، آنها 60 سیگنال دیجیتالی صدای قلب را از قلب های طبیعی (NMH) و قلب های مبتلا به تنگی آئورت (ASH) بررسی کردند. آنها سیگنال ها را در معرض تبدیل فوریه سریع (FFT)، تجزیه و تحلیل شبکه پیچیده و طبقه بندی مبتنی بر یادگیری ماشین قرار دادند و یافته های خود را در مجله فیزیک کاربردی.
محققان ابتدا هر سیگنال صوتی را به یک سری زمانی تبدیل کردند. سیگنال یک قلب سالم نماینده به وضوح دو صدای قلب و جدایی بین آنها را نشان می داد، در حالی که سیگنال های قلب های مبتلا به تنگی آئورت سوفل های الماسی شکل را نشان می دادند.
سپس، تیم از FFT برای تبدیل سیگنال‌های حوزه زمان به حوزه فرکانس استفاده کرد، بنابراین اطلاعاتی در مورد اجزای فرکانس در سوفل ارائه کرد، که با اختلال عملکرد دریچه تغییر می‌کند. تجزیه و تحلیل FFT برای NMH پیک های مشخصی را از دو سیگنال صوتی در یک قلب طبیعی نشان داد. با این حال، برای ASH، طیف FFT حاوی تعداد زیادی سیگنال در یک محدوده فرکانس وسیع بود، بدون اینکه اوج مشخصی برای صداهای lub و dub نسبت داده شود. این اجزای اضافی به ارتعاشات ناشی از رسوبات کلسیمی نسبت داده می شود که دریچه آئورت را مسدود کرده و در جریان خون آشفتگی ایجاد می کنند.
در حالی که هر دو تجزیه و تحلیل دامنه زمانی و FFT شناسایی اولیه دریچه‌های معیوب را ممکن می‌سازند، برای تجزیه و تحلیل بیشتر سیگنال‌های صوتی، محققان از داده‌ها برای ایجاد یک نمودار یا شبکه پیچیده‌ای از نقاط متصل استفاده کردند. آنها داده ها را به بخش هایی تقسیم می کنند که هر قسمت به عنوان یک گره در نمودار نمایش داده می شود. اگر صدا در آن بخش از داده ها مشابه بخش دیگری بود، یک خط بین دو گره رسم می شود.
در یک قلب سالم، نمودار دو خوشه مجزا از نقاط را با گره‌های غیرمرتبط زیادی نشان داد. گره های غیر متصل به احتمال زیاد به دلیل عدم وجود سیگنال حوزه زمان در ناحیه سیستولیک هستند که نشان دهنده عملکرد صحیح قلب است. شبکه قلب مبتلا به تنگی آئورت بسیار پیچیده‌تر بود، با دو خوشه برجسته و عدم وجود گره‌های نامرتبط، که نشان‌دهنده یک نقص بالقوه دریچه است.
این تیم مجموعه‌ای از پارامترها را که به ویژگی‌های نمودار معروف هستند، از نمودار هر سیگنال استخراج کردند. این ویژگی‌ها (تعداد متوسط لبه‌ها، قطر، تراکم شبکه، گذر و مرکزیت بین‌بینی) می‌توانند توسط تکنیک‌های یادگیری ماشینی برای طبقه‌بندی سیگنال‌ها به عنوان ASH یا NMH استفاده شوند.
MRI پیشرفته قلب درمان سندرم قلب سفت را راهنمایی می کند
سه طبقه‌بندی‌کننده یادگیری ماشینی نظارت‌شده - K-نزدیک‌ترین همسایه (KNN)، ماشین بردار پشتیبان و مجموعه زیرفضای KNN - به ترتیب دقت پیش‌بینی 100، 95.6 و 90.9 درصد را نشان دادند. این دقت بالا نشان می‌دهد که استفاده از این مفاهیم ریاضی می‌تواند حساسیت و قابلیت اطمینان بیشتری را در سمع‌عملی قلب دیجیتال فراهم کند و به راحتی در مراکز بهداشتی روستایی به کار گرفته شود.
محققان تاکنون این روش را تنها با داده های موجود آزمایش کرده اند، نه در یک محیط بالینی. آنها اکنون در حال توسعه یک برنامه تلفن همراه هستند که می تواند در سراسر جهان قابل دسترسی باشد. سواپنا می‌گوید: «در حال حاضر، ما در حال تجزیه و تحلیل سایر سوفل‌های قلبی هستیم تا یک تحلیل جامع از سوفل‌های قلبی انجام دهیم. دنیای فیزیک. پس از آن، با ضبط مستقیم صدا با کمک یک پزشک، کار به داده های دنیای واقعی گسترش خواهد یافت. توسعه نرم افزار و اپلیکیشن موبایل در مرحله سوم کار قرار دارد.
