Az aorta stenosis, az aortabillentyű szűkülete, az egyik leggyakoribb és legsúlyosabb szívbillentyű diszfunkció. Általában a kalcium lerakódások felhalmozódása okozza (vagy néha veleszületett szívhiba miatt), ez a szűkület korlátozza a véráramlást a bal kamrából az aortába, és súlyos esetekben szívelégtelenséghez vezethet.
Kiemelkedően fontos az érzékeny, költséghatékony technikák kidolgozása az állapot azonosítására, különösen olyan távoli területeken történő használat esetén, ahol nincs hozzáférés kifinomult technológiához. Ennek a kihívásnak a megválaszolása érdekében indiai és szlovén kutatók pontos, könnyen használható és olcsó módszert hoztak létre a szívbillentyű-diszfunkció komplex hálózatelemzés segítségével történő azonosítására.
„Sok vidéki egészségügyi központ nem rendelkezik az ehhez hasonló betegségek elemzéséhez szükséges technológiával” – magyarázza a csapat tagja. MS Swapna tól Nova Gorica Egyetem, sajtónyilatkozatában. – A mi technikánkhoz csak egy sztetoszkópra és egy számítógépre van szükségünk.
Hallja a különbséget
Egy egészséges ember két szívhangot ad ki: az elsőt ("lub") a mitrális és tricuspidalis billentyűk záródása, a másodikat ("dub") pedig az aorta- és a tüdőbillentyűk záródásakor, szünettel (a szisztolés régió) között. . Ezek a jelek információt hordoznak a szíven keresztüli véráramlásról, a hangok hangmagasságának, intenzitásának, helyének és időzítésének változásaival, amelyek alapvető információkat szolgáltatnak a páciens egészségével kapcsolatban.
Swapna és munkatársai – Vijayan Vijesh, K Satheesh Kumar és S Sankararaman a Keralai Egyetem – egy egyszerű, gráfelméletre épülő módszer kidolgozását tűzte ki célul az aorta stenosis szívzörej azonosítására. Ennek érdekében 60 digitális szívhangjelet vizsgáltak normál szívből (NMH) és aorta szűkülettel (ASH) szenvedő szívből. A jeleket gyors Fourier-transzformációnak (FFT), összetett hálózatelemzésnek és gépi tanulás alapú osztályozásnak vetették alá, eredményeiket a Journal of Applied Physics.
A kutatók először minden hangjelet idősorrá alakítottak át. A reprezentatív egészséges szív jelei egyértelműen a két szívhangot és a köztük lévő elkülönülést mutatták, míg az aortaszűkületes szívekből származó jelek rombusz alakú zörejeket mutattak.
Ezután a csapat az FFT segítségével konvertálta az időtartomány jeleit a frekvenciatartományba, így információt szolgáltatott a zörej frekvenciakomponenseiről, amelyek a szelep működési zavarától függően változnak. Az NMH FFT-analízise jól meghatározott csúcsokat mutatott a két hangjelből normál szívben. Az ASH esetében azonban az FFT-spektrum nagyszámú jelet tartalmazott széles frekvenciatartományban, anélkül, hogy a lub- és dubhangokhoz különálló csúcsokat lehetett volna rendelni. Ezek a kiegészítő komponensek az aortabillentyűt blokkoló kalciumlerakódásokból eredő rezgéseknek tulajdoníthatók, amelyek turbulenciát okoznak a véráramlásban.
Míg az időtartomány- és az FFT-elemzések lehetővé teszik a hibás szelepek előzetes azonosítását, a hangjelek további elemzéséhez a kutatók az adatokat egy grafikon vagy összekapcsolt pontok összetett hálózatának létrehozásához használták fel. Az adatokat szakaszokra osztják, és mindegyik rész csomópontként jelenik meg a grafikonon. Ha az adatrész hangja hasonló volt egy másik szakaszhoz, egy vonal húzódik a két csomópont között.
Egészséges szívben a grafikon két különálló pontcsoportot mutatott, sok nem kapcsolódó csomóponttal. A nem összekapcsolt csomópontok valószínűleg a szisztolés régióban lévő időtartomány jelének hiányára vezethetők vissza, ami a szív megfelelő működését jelzi. Az aorta szűkületben szenvedő szív hálózata sokkal összetettebb volt, két kiemelkedő klaszterrel és a nem korrelált csomópontokkal, ami potenciális billentyűhibára utal.
A csapat az egyes jelek grafikonjából kivont egy sor paramétert, amelyet grafikon jellemzőknek neveznek. Ezeket a jellemzőket (az élek átlagos száma, átmérő, hálózati sűrűség, tranzitivitás és közötti központosság) ezután a gépi tanulási technikák felhasználhatják a jelek ASH vagy NMH osztályozására.
A fejlett szív-MRI a merev szív szindróma kezelését segíti
Három felügyelt gépi tanulási osztályozó – K-legközelebbi szomszéd (KNN), támogató vektorgép és KNN altér együttes – 100%-os, 95.6%-os és 90.9%-os előrejelzési pontosságot mutatott. Ez a nagy pontosság arra utal, hogy ezeknek a matematikai fogalmaknak a használata nagyobb érzékenységet és megbízhatóságot biztosíthat a digitális szívhallgatásban, és könnyen alkalmazhatók vidéki egészségügyi központokban.
A kutatók eddig csak meglévő adatokkal tesztelték a módszert, klinikai környezetben nem. Most fejlesztenek egy mobilalkalmazást, amely világszerte elérhető lenne. „Jelenleg más szívzörejeket elemezünk, hogy átfogó elemzést készítsünk a szívzörejekről” – mondja Swapna. Fizika Világa. „Ezt követően a munkát a valós adatokra is kiterjesztik a hang közvetlen rögzítésével, orvos segítségével. A szoftverek és a mobilalkalmazások fejlesztése a munka harmadik szakaszában következik.”
