La stenosi aortica, il restringimento della valvola aortica, è una delle più comuni e gravi disfunzioni valvolari cardiache. Solitamente causato da un accumulo di depositi di calcio (o talvolta dovuto a un difetto cardiaco congenito), questo restringimento limita il flusso sanguigno dal ventricolo sinistro all'aorta e, nei casi più gravi, può portare a insufficienza cardiaca.
Lo sviluppo di tecniche sensibili ed economiche per identificare la condizione è fondamentale, in particolare per l'uso in aree remote senza accesso a tecnologie sofisticate. Per far fronte a questa sfida, i ricercatori provenienti da India e Slovenia hanno creato un metodo accurato, facile da usare ea basso costo per identificare la disfunzione della valvola cardiaca utilizzando un'analisi di rete complessa.
"Molti centri sanitari rurali non dispongono della tecnologia necessaria per analizzare malattie come questa", spiega un membro del team MS Swapna dal Università di Nova Gorica, in un comunicato stampa. "Per la nostra tecnica, abbiamo solo bisogno di uno stetoscopio e di un computer."
Ascolta la differenza
Una persona sana produce due suoni cardiaci: il primo ("lub") dovuto alla chiusura delle valvole mitrale e tricuspide e il secondo ("dub") quando le valvole aortica e polmonare si chiudono, con una pausa (la regione sistolica) nel mezzo . Questi segnali contengono informazioni di trasporto sul flusso sanguigno attraverso il cuore, con variazioni di tono, intensità, posizione e tempistica dei suoni che forniscono informazioni essenziali relative alla salute di un paziente.
Swapna e colleghi - Vijayan Vijesh, K Satheesh Kumar e S Sankararaman del Università del Kerala – mirava a sviluppare un metodo semplice basato sulla teoria dei grafi per identificare il soffio cardiaco da stenosi aortica. Per fare ciò, hanno esaminato 60 segnali acustici cardiaci digitali provenienti da cuori normali (NMH) e cuori con stenosi aortica (ASH). Hanno sottoposto i segnali alla trasformata veloce di Fourier (FFT), complesse analisi di rete e classificazione basata sull'apprendimento automatico, riportando i loro risultati nel Journal of Applied Physics.
I ricercatori hanno prima convertito ogni segnale audio in una serie temporale. Il segnale proveniente da un cuore sano rappresentativo mostrava chiaramente i due suoni cardiaci e la separazione tra di essi, mentre i segnali provenienti da cuori con stenosi aortica mostravano soffi a forma di diamante.
Successivamente, il team ha utilizzato la FFT per convertire i segnali nel dominio del tempo nel dominio della frequenza, fornendo così informazioni sulle componenti di frequenza nel soffio, che variano con la disfunzione della valvola. L'analisi FFT per NMH ha mostrato picchi ben definiti dai due segnali sonori in un cuore normale. Per ASH, tuttavia, lo spettro FFT conteneva un gran numero di segnali su un'ampia gamma di frequenze, senza picchi distinti assegnabili ai suoni lub e dub. Questi componenti aggiuntivi sono attribuiti alle vibrazioni che si verificano dai depositi di calcio che bloccano la valvola aortica e creano turbolenze nel flusso sanguigno.
Mentre sia l'analisi nel dominio del tempo che quella FFT consentono l'identificazione preliminare delle valvole difettose, per analizzare ulteriormente i segnali sonori, i ricercatori hanno utilizzato i dati per creare un grafico o una complessa rete di punti collegati. Suddividono i dati in sezioni, con ciascuna parte rappresentata come un nodo sul grafico. Se il suono in quella porzione di dati era simile a un'altra sezione, viene tracciata una linea tra i due nodi.
In un cuore sano, il grafico mostrava due gruppi distinti di punti, con molti nodi non collegati. I nodi non connessi sono probabilmente dovuti all'assenza di un segnale nel dominio del tempo nella regione sistolica, che indica il corretto funzionamento del cuore. La rete di un cuore con stenosi aortica era molto più complessa, con due cluster prominenti e un'assenza di nodi non correlati, indicativi di un potenziale difetto valvolare.
Il team ha estratto una serie di parametri, noti come caratteristiche del grafico, dal grafico di ciascun segnale. Queste caratteristiche (il numero medio di bordi, diametro, densità di rete, transitività e centralità tra) possono quindi essere utilizzate dalle tecniche di apprendimento automatico per classificare i segnali come ASH o NMH.
La risonanza magnetica cardiaca avanzata guida il trattamento per la sindrome del cuore rigido
Tre classificatori di machine learning supervisionati – K-nearest neighbor (KNN), support vector machine e KNN subspace ensemble – hanno mostrato rispettivamente precisioni di previsione del 100%, 95.6% e 90.9%. Questa elevata accuratezza suggerisce che l'uso di questi concetti matematici potrebbe fornire una maggiore sensibilità e affidabilità nell'auscultazione cardiaca digitale e potrebbe essere facilmente impiegato nei centri sanitari rurali.
I ricercatori hanno finora testato il metodo solo con i dati esistenti, non in ambito clinico. Ora stanno sviluppando un'applicazione mobile a cui è possibile accedere in tutto il mondo. "Attualmente, stiamo analizzando altri soffi cardiaci per fare un'analisi completa dei soffi cardiaci", dice Swapna Mondo della fisica. “Successivamente, il lavoro verrà esteso ai dati del mondo reale registrando direttamente il suono con l'aiuto di un medico. Lo sviluppo del software e di un'applicazione mobile rientra nella terza fase del lavoro.”
