Stenosis aorta, penyempitan katup aorta, adalah salah satu disfungsi katup jantung yang paling umum dan serius. Biasanya disebabkan oleh penumpukan timbunan kalsium (atau terkadang karena kelainan jantung bawaan), penyempitan ini membatasi aliran darah dari ventrikel kiri ke aorta dan, dalam kasus yang parah, dapat menyebabkan gagal jantung.
Pengembangan teknik yang sensitif dan hemat biaya untuk mengidentifikasi kondisi ini sangatlah penting, terutama untuk digunakan di daerah terpencil tanpa akses terhadap teknologi canggih. Untuk menjawab tantangan ini, para peneliti dari India dan Slovenia telah menciptakan metode yang akurat, mudah digunakan, dan berbiaya rendah untuk mengidentifikasi disfungsi katup jantung menggunakan analisis jaringan yang kompleks.
“Banyak pusat kesehatan di pedesaan tidak memiliki teknologi yang diperlukan untuk menganalisis penyakit seperti ini,” jelas anggota tim MS Swapna dari Universitas Nova Gorica, dalam pernyataan pers. “Untuk teknik kami, kami hanya memerlukan stetoskop dan komputer.”
Dengarkan perbedaannya
Orang yang sehat menghasilkan dua bunyi jantung: yang pertama (“lub”) karena penutupan katup mitral dan trikuspid dan yang kedua (“dub”) saat katup aorta dan pulmonal menutup, dengan jeda (daerah sistolik) di antaranya. . Sinyal-sinyal ini berisi informasi tentang aliran darah melalui jantung, dengan variasi nada, intensitas, lokasi, dan waktu bunyi yang memberikan informasi penting terkait kesehatan pasien.
Swapna dan rekan – Vijayan Vijesh, K Satheesh Kumar dan S Sankararaman dari Universitas Kerala – bertujuan untuk mengembangkan metode sederhana berdasarkan teori grafik untuk mengidentifikasi murmur jantung stenosis aorta. Untuk melakukan hal ini, mereka memeriksa 60 sinyal suara jantung digital dari jantung normal (NMH) dan jantung dengan stenosis aorta (ASH). Mereka melakukan transformasi Fourier cepat (FFT), analisis jaringan yang kompleks, dan klasifikasi berbasis pembelajaran mesin, lalu melaporkan temuan mereka di Jurnal Fisika Terapan.
Para peneliti pertama-tama mengubah setiap sinyal audio menjadi rangkaian waktu. Sinyal dari jantung sehat yang mewakili dengan jelas menunjukkan dua bunyi jantung dan pemisahan di antara keduanya, sedangkan sinyal dari jantung dengan stenosis aorta menampilkan murmur berbentuk berlian.
Selanjutnya, tim menggunakan FFT untuk mengubah sinyal domain waktu menjadi domain frekuensi, sehingga memberikan informasi tentang komponen frekuensi dalam murmur, yang bervariasi sesuai dengan disfungsi katup. Analisis FFT untuk NMH menunjukkan puncak yang terdefinisi dengan baik dari dua sinyal suara pada jantung normal. Namun, untuk ASH, spektrum FFT berisi sejumlah besar sinyal pada rentang frekuensi yang luas, tanpa puncak berbeda yang dapat ditetapkan untuk suara lub dan dub. Komponen tambahan ini disebabkan oleh getaran yang terjadi dari endapan kalsium yang menyumbat katup aorta dan menimbulkan turbulensi pada aliran darah.
Meskipun analisis domain waktu dan FFT memungkinkan identifikasi awal katup yang rusak, untuk menganalisis sinyal suara lebih lanjut, para peneliti menggunakan data tersebut untuk membuat grafik, atau jaringan kompleks dari titik-titik yang terhubung. Mereka membagi data menjadi beberapa bagian, dengan masing-masing bagian direpresentasikan sebagai simpul pada grafik. Jika suara di bagian data tersebut serupa dengan bagian lainnya, sebuah garis ditarik di antara kedua node.
Pada jantung yang sehat, grafik menunjukkan dua kelompok titik yang berbeda, dengan banyak titik yang tidak terhubung. Node yang tidak terhubung kemungkinan besar disebabkan oleh tidak adanya sinyal domain waktu di wilayah sistolik, yang menunjukkan berfungsinya jantung dengan baik. Jaringan jantung dengan stenosis aorta jauh lebih kompleks, dengan dua kelompok yang menonjol dan tidak adanya kelenjar getah bening yang tidak berkorelasi, yang mengindikasikan potensi kerusakan katup.
Tim mengekstraksi sekumpulan parameter, yang dikenal sebagai fitur grafik, dari grafik setiap sinyal. Fitur-fitur ini (jumlah rata-rata tepi, diameter, kepadatan jaringan, transitivitas, dan sentralitas keterhubungan) kemudian dapat digunakan oleh teknik pembelajaran mesin untuk mengklasifikasikan sinyal sebagai ASH atau NMH.
MRI jantung tingkat lanjut memandu pengobatan untuk sindrom jantung kaku
Tiga pengklasifikasi pembelajaran mesin yang diawasi – K-nearest neighbour (KNN), mesin vektor pendukung, dan ansambel subruang KNN – menunjukkan akurasi prediksi masing-masing sebesar 100%, 95.6%, dan 90.9%. Akurasi yang tinggi ini menunjukkan bahwa penggunaan konsep matematika ini dapat memberikan sensitivitas dan keandalan yang lebih besar dalam auskultasi jantung digital dan dapat dengan mudah diterapkan di pusat kesehatan pedesaan.
Para peneliti sejauh ini hanya menguji metode tersebut dengan data yang ada, bukan dalam lingkungan klinis. Mereka kini sedang mengembangkan aplikasi mobile yang bisa diakses di seluruh dunia. “Saat ini, kami sedang menganalisis murmur jantung lainnya untuk membuat analisis komprehensif mengenai murmur jantung,” kata Swapna. Dunia Fisika. “Setelah itu, pekerjaan akan diperluas ke data dunia nyata dengan merekam suara secara langsung dengan bantuan praktisi medis. Pengembangan perangkat lunak dan aplikasi seluler memasuki tahap pekerjaan ketiga.”
