Aortastenose, de vernauwing van de aortaklep, is een van de meest voorkomende en ernstige hartklepdisfuncties. Meestal veroorzaakt door een opeenhoping van calciumafzettingen (of soms als gevolg van een aangeboren hartafwijking), beperkt deze vernauwing de bloedstroom van de linker hartkamer naar de aorta en kan in ernstige gevallen leiden tot hartfalen.
De ontwikkeling van gevoelige, kosteneffectieve technieken om de aandoening te identificeren is van het grootste belang, vooral voor gebruik in afgelegen gebieden zonder toegang tot geavanceerde technologie. Om deze uitdaging aan te gaan, hebben onderzoekers uit India en Slovenië een nauwkeurige, gebruiksvriendelijke en goedkope methode ontwikkeld om hartklepdisfunctie te identificeren met behulp van complexe netwerkanalyse.
"Veel gezondheidscentra op het platteland hebben niet de nodige technologie om dit soort ziekten te analyseren", legt teamlid uit MS Swapna van het Universiteit van Nova Gorica, in een persverklaring. "Voor onze techniek hebben we alleen een stethoscoop en een computer nodig."
Hoor het verschil
Een gezond persoon produceert twee hartgeluiden: de eerste (“lub”) als gevolg van het sluiten van de mitralis- en tricuspidalisklep en de tweede (“dub”) als de aorta- en longkleppen sluiten, met een pauze (het systolische gebied) ertussen . Deze signalen bevatten informatie over de bloedstroom door het hart, met variaties in toonhoogte, intensiteit, locatie en timing van de geluiden die essentiële informatie verschaffen over de gezondheid van een patiënt.
Swapna en collega's - Vijayan Vijesh, K Satheesh Kumar en S Sankararaman uit the Universiteit van Kerala – gericht op het ontwikkelen van een eenvoudige methode gebaseerd op grafentheorie om aortastenose hartgeruis te identificeren. Om dit te doen, onderzochten ze 60 digitale hartgeluidssignalen van normale harten (NMH) en harten met aortastenose (ASH). Ze onderwierpen de signalen aan snelle Fourier-transformatie (FFT), complexe netwerkanalyses en op machine-learning gebaseerde classificatie, en rapporteerden hun bevindingen in de Tijdschrift voor Toegepaste Natuurkunde.
De onderzoekers zetten elk audiosignaal eerst om in een tijdreeks. Het signaal van een representatief gezond hart toonde duidelijk de twee hartgeluiden en de scheiding ertussen, terwijl signalen van harten met aortastenose ruitvormig geruis vertoonden.
Vervolgens gebruikte het team FFT om de tijdsdomeinsignalen om te zetten naar het frequentiedomein, en zo informatie te verschaffen over de frequentiecomponenten in het geruis, die variëren met klepdisfunctie. De FFT-analyse voor NMH toonde duidelijk gedefinieerde pieken van de twee geluidssignalen in een normaal hart. Voor ASH bevatte het FFT-spectrum echter een groot aantal signalen over een breed frequentiebereik, zonder duidelijke pieken die kunnen worden toegewezen aan de lub- en dub-geluiden. Deze extra componenten worden toegeschreven aan trillingen die optreden door kalkafzettingen die de aortaklep blokkeren en turbulentie in de bloedstroom veroorzaken.
Hoewel zowel de tijdsdomein- als de FFT-analyse de voorlopige identificatie van defecte kleppen mogelijk maakt, om de geluidssignalen verder te analyseren, gebruikten de onderzoekers de gegevens om een grafiek of een complex netwerk van verbonden punten te maken. Ze splitsten de gegevens op in secties, waarbij elk deel wordt weergegeven als een knooppunt in de grafiek. Als het geluid in dat deel van de gegevens vergelijkbaar was met een andere sectie, wordt er een lijn getrokken tussen de twee knooppunten.
In een gezond hart toonde de grafiek twee verschillende clusters van punten, met veel niet-verbonden knooppunten. De niet-verbonden knooppunten zijn waarschijnlijk te wijten aan de afwezigheid van een tijddomeinsignaal in het systolische gebied, wat wijst op de goede werking van het hart. Het netwerk van een hart met aortastenose was veel complexer, met twee prominente clusters en de afwezigheid van niet-gecorreleerde knooppunten, wat wijst op een mogelijk klepdefect.
Het team heeft een reeks parameters, ook wel de grafiekkenmerken genoemd, uit de grafiek van elk signaal gehaald. Deze kenmerken (het gemiddelde aantal randen, diameter, netwerkdichtheid, transitiviteit en tussenliggende centraliteit) kunnen vervolgens worden gebruikt door machine learning-technieken om de signalen te classificeren als ASH of NMH.
Geavanceerde cardiale MRI begeleidt de behandeling van het stijvehartsyndroom
Drie gecontroleerde machine-learning classifiers - K-nearest buur (KNN), support vector machine en KNN subspace ensemble - vertoonden voorspellingsnauwkeurigheden van respectievelijk 100%, 95.6% en 90.9%. Deze hoge nauwkeurigheid suggereert dat het gebruik van deze wiskundige concepten een grotere gevoeligheid en betrouwbaarheid zou kunnen bieden bij digitale hartauscultatie en gemakkelijk zou kunnen worden toegepast in landelijke gezondheidscentra.
De onderzoekers hebben de methode tot nu toe alleen getest met bestaande gegevens, niet in een klinische setting. Ze ontwikkelen nu een mobiele applicatie die wereldwijd toegankelijk is. "Momenteel analyseren we andere hartgeruisen om een uitgebreide analyse van hartgeruis te maken", vertelt Swapna. Natuurkunde wereld. “Daarna zal het werk worden uitgebreid naar real-world data door het geluid direct op te nemen met de hulp van een arts. De ontwikkeling van software en een mobiele applicatie komt in de derde fase van het werk.”
