Aortastenos, förträngningen av aortaklaffen, är en av de vanligaste och allvarligaste hjärtklaffdysfunktionerna. Vanligtvis orsakad av en ansamling av kalciumavlagringar (eller ibland på grund av ett medfött hjärtfel), begränsar denna förträngning blodflödet från vänster ventrikel till aorta och kan i allvarliga fall leda till hjärtsvikt.
Utvecklingen av känsliga, kostnadseffektiva tekniker för att identifiera tillståndet är av största vikt, särskilt för användning i avlägsna områden utan tillgång till sofistikerad teknik. För att möta denna utmaning har forskare från Indien och Slovenien skapat en exakt, lättanvänd och billig metod för att identifiera hjärtklaffsdysfunktion med hjälp av komplex nätverksanalys.
"Många vårdcentraler på landsbygden har inte den nödvändiga tekniken för att analysera sjukdomar som denna", förklarar gruppmedlem MS Swapna från Universitetet i Nova Gorica, i ett pressmeddelande. "För vår teknik behöver vi bara ett stetoskop och en dator."
Hör skillnaden
En frisk person producerar två hjärtljud: det första ("lub") på grund av stängning av mitralis- och trikuspidalklaffarna och det andra ("dub") när aorta- och lungklaffarna stänger, med en paus (den systoliska regionen) emellan . Dessa signaler innehåller bärinformation om blodflödet genom hjärtat, med variationer i tonhöjd, intensitet, placering och timing av ljuden som ger viktig information relaterad till en patients hälsa.
Swapna och kollegor – Vijayan Vijesh, K Satheesh Kumar och S Sankararaman från University of Kerala – syftade till att utveckla en enkel metod baserad på grafteori för att identifiera aortastenos blåsljud. För att göra detta undersökte de 60 digitala hjärtljudsignaler från normala hjärtan (NMH) och hjärtan med aortastenos (ASH). De utsatte signalerna för snabb Fourier-transform (FFT), komplexa nätverksanalyser och maskininlärningsbaserad klassificering, och rapporterade sina resultat i Journal of Applied Physics.
Forskarna konverterade först varje ljudsignal till en tidsserie. Signalen från ett representativt friskt hjärta visade tydligt de två hjärtljuden och separationen mellan dem, medan signaler från hjärtan med aortastenos visade diamantformade blåsljud.
Därefter använde teamet FFT för att konvertera tidsdomänsignalerna till frekvensdomänen, vilket gav information om frekvenskomponenterna i sorlet, som varierar med ventildysfunktion. FFT-analysen för NMH visade väldefinierade toppar från de två ljudsignalerna i ett normalt hjärta. För ASH innehöll emellertid FFT-spektrumet ett stort antal signaler över ett brett frekvensområde, utan några distinkta toppar som kan tilldelas lub- och dub-ljuden. Dessa ytterligare komponenter tillskrivs vibrationer som uppstår från kalciumavlagringar som blockerar aortaklaffen och skapar turbulens i blodflödet.
Medan både tidsdomän- och FFT-analyser möjliggör preliminär identifiering av defekta ventiler, för att analysera ljudsignalerna ytterligare, använde forskarna data för att skapa en graf eller ett komplext nätverk av anslutna punkter. De delar upp data i sektioner, med varje del representerad som en nod på grafen. Om ljudet i den delen av data liknade en annan sektion, dras en linje mellan de två noderna.
I ett friskt hjärta visade grafen två distinkta kluster av punkter, med många osammanhängande noder. De oanslutna noderna beror sannolikt på frånvaron av en tidsdomänsignal i den systoliska regionen, vilket indikerar att hjärtat fungerar korrekt. Nätverket av ett hjärta med aortastenos var mycket mer komplext, med två framträdande kluster och en frånvaro av okorrelerade noder, vilket tyder på en potentiell klaffdefekt.
Teamet extraherade en uppsättning parametrar, så kallade graffunktioner, från grafen för varje signal. Dessa egenskaper (genomsnittligt antal kanter, diameter, nätverkstäthet, transitivitet och centralitet mellan varandra) kan sedan användas av maskininlärningstekniker för att klassificera signalerna som antingen ASH eller NMH.
Avancerad hjärt-MRI vägleder behandling av stela hjärtsyndrom
Tre övervakade maskininlärningsklassificerare – K-närmaste granne (KNN), stödvektormaskin och KNN-delrumsensemble – uppvisade prediktionsnoggrannheter på 100 %, 95.6 % respektive 90.9 %. Denna höga noggrannhet tyder på att användningen av dessa matematiska begrepp skulle kunna ge större känslighet och tillförlitlighet vid digital hjärtauskultation och lätt skulle kunna användas på hälsocentraler på landsbygden.
Forskarna har hittills bara testat metoden med befintliga data, inte i en klinisk miljö. De utvecklar nu en mobilapplikation som kan nås över hela världen. "För närvarande analyserar vi andra blåsljud för att göra en omfattande analys av blåsljud," säger Swapna Fysikvärlden. "Efter det kommer arbetet att utökas till verklig data genom att direkt spela in ljudet med hjälp av en läkare. Utvecklingen av mjukvara och en mobilapplikation kommer i det tredje steget av arbetet.”
