Аортальний стеноз, звуження аортального клапана, є однією з найпоширеніших і серйозних дисфункцій серцевого клапана. Зазвичай викликане накопиченням кальцієвих відкладень (або іноді внаслідок вродженої вади серця), це звуження обмежує потік крові від лівого шлуночка до аорти і, у важких випадках, може призвести до серцевої недостатності.
Розробка чутливих, економічно ефективних методів виявлення захворювання має першочергове значення, особливо для використання у віддалених районах без доступу до складних технологій. Щоб вирішити цю проблему, дослідники з Індії та Словенії створили точний, простий у використанні та недорогий метод визначення дисфункції серцевого клапана за допомогою складного мережевого аналізу.
«Багато сільських медичних центрів не мають необхідної технології для аналізу подібних захворювань», — пояснює член команди М. С. Свапна від Університет у Новій Горіці, у заяві для преси. «Для нашої техніки нам просто потрібен стетоскоп і комп’ютер».
Почуйте різницю
У здорової людини два тони серця: перший («луб») через закриття мітрального та трикуспідального клапанів і другий («дуб») під час закриття аортального та легеневого клапанів із паузою (систолічна ділянка) між ними. . Ці сигнали містять інформацію про потік крові через серце з варіаціями у висоті, інтенсивності, місці та часі звуків, що надає важливу інформацію, пов’язану зі здоров’ям пацієнта.
Свапна та його колеги – Віджаян Віджеш, К. Сатіш Кумар і С. Санкарараман з Університет Керали – спрямовані на розробку простого методу, заснованого на теорії графів, для виявлення серцевого шуму при стенозі аорти. Для цього вони дослідили 60 цифрових звукових сигналів серця від нормального серця (NMH) і серця з аортальним стенозом (ASH). Вони піддали сигнали швидкому перетворенню Фур’є (ШПФ), складному мережевому аналізу та класифікації на основі машинного навчання, повідомивши про свої висновки в Журнал прикладної фізики.
Спочатку дослідники перетворили кожен аудіосигнал у часовий ряд. Сигнал від репрезентативного здорового серця чітко демонстрував два серцеві тони та поділ між ними, тоді як сигнали від сердець зі стенозом аорти демонстрували ромбоподібні шуми.
Далі команда використовувала ШПФ для перетворення сигналів у часовій області в частотну, таким чином надаючи інформацію про частотні компоненти шуму, які змінюються залежно від дисфункції клапана. Аналіз FFT для NMH показав чіткі піки двох звукових сигналів у нормальному серці. Для ASH, однак, спектр FFT містив велику кількість сигналів у широкому діапазоні частот, без чітких піків, які можна призначити звукам лаба та дубляжу. Ці додаткові компоненти пояснюються вібраціями, що виникають через відкладення кальцію, які блокують аортальний клапан і створюють турбулентність у кровотоці.
Хоча як аналіз у часовій області, так і аналіз ШПФ дозволяють попередньо ідентифікувати дефектні клапани, для подальшого аналізу звукових сигналів дослідники використали дані для створення графіка або складної мережі з’єднаних точок. Вони розбивають дані на секції, кожна з яких представлена як вузол на графіку. Якщо звук у цій частині даних був схожий на інший розділ, між двома вузлами малюється лінія.
У здоровому серці графік показував два чітких кластери точок із багатьма незв’язаними вузлами. Нез’єднані вузли, ймовірно, пов’язані з відсутністю сигналу в часовій області в систолічній області, що вказує на належне функціонування серця. Мережа серця зі стенозом аорти була набагато складнішою, з двома помітними кластерами та відсутністю некорельованих вузлів, що свідчить про потенційний дефект клапана.
Команда витягла набір параметрів, відомих як особливості графіка, з графіка кожного сигналу. Ці характеристики (середня кількість країв, діаметр, щільність мережі, транзитивність і центральність між межами) потім можуть використовуватися методами машинного навчання для класифікації сигналів як ASH або NMH.
Удосконалена МРТ серця допомагає лікувати синдром жорсткого серця
Три керованих класифікатора машинного навчання – K-найближчий сусід (KNN), машина опорних векторів і ансамбль підпросторів KNN – показали точність прогнозування 100%, 95.6% і 90.9% відповідно. Ця висока точність свідчить про те, що використання цих математичних концепцій могло б забезпечити більшу чутливість і надійність цифрової аускультації серця та може бути легко використано в сільських медичних центрах.
Наразі дослідники перевіряли метод лише на наявних даних, а не в клінічних умовах. Зараз вони розробляють мобільний додаток, до якого можна буде отримати доступ у всьому світі. «Наразі ми аналізуємо інші серцеві шуми, щоб зробити комплексний аналіз серцевих шумів», — розповідає Свапна. Світ фізики. «Після цього робота буде поширена на дані реального світу шляхом прямого запису звуку за допомогою практикуючого лікаря. На третьому етапі роботи — розробка програмного забезпечення та мобільного додатку».
