Aorttaläpän ahtauma, aorttaläpän ahtauma, on yksi yleisimmistä ja vakavimmista sydänläpän toimintahäiriöistä. Yleensä johtuu kalsiumkertymien kerääntymisestä (tai joskus synnynnäisestä sydänvikasta), tämä kaventuminen rajoittaa verenvirtausta vasemmasta kammiosta aortaan ja voi vaikeissa tapauksissa johtaa sydämen vajaatoimintaan.
Herkkien, kustannustehokkaiden tekniikoiden kehittäminen tilan tunnistamiseksi on ensiarvoisen tärkeää, erityisesti käytettäviksi syrjäisillä alueilla, joilla ei ole saatavilla kehittynyttä tekniikkaa. Vastatakseen tähän haasteeseen intialaiset ja slovenialaiset tutkijat ovat luoneet tarkan, helppokäyttöisen ja edullisen menetelmän sydänläpän toimintahäiriöiden tunnistamiseksi monimutkaisen verkkoanalyysin avulla.
"Monilla maaseudun terveyskeskuksilla ei ole tarvittavaa tekniikkaa tällaisten sairauksien analysointiin", tiimin jäsen selittää. MS Swapna mistä Nova Gorican yliopisto, lehdistötiedotteessa. "Meidän tekniikkaamme varten tarvitsemme vain stetoskoopin ja tietokoneen."
Kuuntele ero
Terve ihminen tuottaa kaksi sydämen ääntä: ensimmäinen ("lub") mitraali- ja kolmikulmaläpäiden sulkeutumisesta ja toinen ("dub"), kun aortta- ja keuhkoläppä sulkeutuvat tauon (systolisen alueen) välissä. . Nämä signaalit sisältävät tietoa veren virtauksesta sydämen läpi, ja äänien äänenkorkeuden, voimakkuuden, sijainnin ja ajoituksen vaihtelut tarjoavat olennaista tietoa potilaan terveydestä.
Swapna ja kollegat – Vijayan Vijesh, K Satheesh Kumar ja S Sankararaman Keralan yliopisto – tavoitteena oli kehittää yksinkertainen graafiteoriaan perustuva menetelmä aorttastenoosin sydämen sivuäänen tunnistamiseen. Tätä varten he tutkivat 60 digitaalista sydänäänisignaalia normaaleista sydämistä (NMH) ja sydämistä, joilla oli aorttastenoosi (ASH). He altistivat signaalit nopealle Fourier-muunnokselle (FFT), monimutkaisille verkkoanalyyseille ja koneoppimiseen perustuvalle luokittelulle ja raportoivat havainnoistaan Journal of Applied Physics.
Tutkijat muunsivat ensin jokaisen äänisignaalin aikasarjaksi. Edustavan terveen sydämen signaali osoitti selvästi kaksi sydämen ääntä ja niiden välisen eron, kun taas aorttastenoosia sairastavien sydämien signaalit näyttivät vinoneliön muotoisia sivuääniä.
Seuraavaksi ryhmä käytti FFT:tä muuntamaan aika-alueen signaalit taajuusalueelle, mikä antoi tietoa sivuäänen taajuuskomponenteista, jotka vaihtelevat venttiilin toimintahäiriön mukaan. NMH:n FFT-analyysi osoitti hyvin määritellyt piikit kahdesta äänisignaalista normaalissa sydämessä. ASH:n osalta FFT-spektri sisälsi kuitenkin suuren määrän signaaleja laajalla taajuusalueella, eikä lub- ja dub-äänille voitaisi määrittää erillisiä huippuja. Nämä lisäkomponentit johtuvat kalsiumkertymien aiheuttamasta tärinästä, joka tukkii aorttaläpän ja luo turbulenssia verenkiertoon.
Vaikka sekä aika-alue- että FFT-analyysit mahdollistavat viallisten venttiilien alustavan tunnistamisen, äänisignaalien analysoimiseksi edelleen, tutkijat käyttivät tietoja kaavion tai monimutkaisen yhdistettyjen pisteiden verkoston luomiseen. Ne jakavat tiedot osiin, jolloin jokainen osa esitetään kaavion solmuna. Jos ääni kyseisessä datan osassa oli samanlainen kuin toisessa osassa, kahden solmun väliin vedetään viiva.
Terveessä sydämessä kaavio osoitti kaksi erillistä pisteryhmää, joissa oli monia toisiinsa liittymättömiä solmuja. Kytkemättömät solmut johtuvat todennäköisesti aika-alueen signaalin puuttumisesta systolisella alueella, mikä osoittaa sydämen asianmukaisen toiminnan. Aorttastenoosia sairastavan sydämen verkko oli paljon monimutkaisempi, ja siinä oli kaksi näkyvää klusteria ja korreloimattomien solmujen puuttuminen, mikä osoitti mahdollista läppävikaa.
Ryhmä poimi joukon parametreja, jotka tunnetaan nimellä kaavion ominaisuudet, kunkin signaalin kaaviosta. Näitä ominaisuuksia (keskimääräinen reunojen lukumäärä, halkaisija, verkon tiheys, transitiivisuus ja keskinäisyys) voidaan sitten käyttää koneoppimistekniikoissa signaalien luokitteluun joko ASH:ksi tai NMH:ksi.
Edistynyt sydämen MRI ohjaa jäykän sydämen oireyhtymän hoitoa
Kolme valvottua koneoppimisluokittajaa – K-lähin naapuri (KNN), tukivektorikone ja KNN-alitilakokonaisuus – osoittivat ennustetarkkuudet 100 %, 95.6 % ja 90.9 %. Tämä korkea tarkkuus viittaa siihen, että näiden matemaattisten käsitteiden käyttö voisi tarjota suurempaa herkkyyttä ja luotettavuutta digitaalisessa sydämen auskultaatiossa ja niitä voitaisiin helposti käyttää maaseudun terveyskeskuksissa.
Tutkijat ovat toistaiseksi testanneet menetelmää vain olemassa olevilla tiedoilla, eivät kliinisissä olosuhteissa. He kehittävät nyt mobiilisovellusta, jota voidaan käyttää maailmanlaajuisesti. "Tällä hetkellä analysoimme muita sydämen sivuääniä tehdäksemme kattavan analyysin sydämen sivuäänistä", Swapna kertoo. Fysiikan maailma. ”Sen jälkeen työ laajenee reaalimaailman dataan tallentamalla ääni suoraan lääkärin avulla. Ohjelmistojen ja mobiilisovelluksen kehitys tulee työskentelyn kolmannessa vaiheessa.
