Wetenschap
Een normale aortaklep (links) versus een defecte aortaklep (rechts) en hun verschillende geluidssignalen (paars). De geluidsgegevens werden gebruikt om grafieken in de onderste hoeken te genereren, die sterk verschillen en kunnen helpen bij het diagnosticeren van aortaklepstenose. Krediet:MS Swapna
Aortaklepstenose treedt op wanneer de aortaklep vernauwt, waardoor de bloedstroom van het hart door de slagader en naar het hele lichaam wordt belemmerd. In ernstige gevallen kan dit leiden tot hartfalen. Het identificeren van de aandoening kan moeilijk zijn in afgelegen gebieden omdat het geavanceerde technologie vereist en diagnoses in een vroeg stadium moeilijk te verkrijgen zijn.
In het Journal of Applied Physics , hebben onderzoekers van de Universiteit van Kerala, India, en de Universiteit van Nova Gorica, Slovenië, een methode ontwikkeld om klepdisfunctie te identificeren met behulp van complexe netwerkanalyse die nauwkeurig, gebruiksvriendelijk en goedkoop is.
"Veel gezondheidscentra op het platteland beschikken niet over de nodige technologie om dit soort ziekten te analyseren", zegt auteur M.S. Swapna, van de Universiteit van Nova Gorica en de Universiteit van Kerala. "Voor onze techniek hebben we alleen een stethoscoop en een computer nodig."
Het diagnostische hulpmiddel werkt op basis van de geluiden die door het hart worden geproduceerd. Het orgel maakt een "lub" -geluid wanneer het de mitralis- en tricuspidalisklep sluit, pauzeert wanneer ventriculaire ontspanning optreedt en het bloed zich vult, en maakt dan een tweede geluid, "dub", terwijl de aorta- en longkleppen sluiten.
Swapna en haar team gebruikten hartgeluidsgegevens, verzameld gedurende 10 minuten, om een grafiek of een complex netwerk van verbonden punten te maken. De gegevens werden opgesplitst in secties en elk deel werd weergegeven met een knoop of enkel punt in de grafiek. Als het geluid in dat deel van de gegevens vergelijkbaar was met een andere sectie, werd er een lijn of rand getekend tussen de twee knooppunten.
In een gezond hart toonde de grafiek twee verschillende clusters van punten, met veel knooppunten die niet met elkaar verbonden waren. Een hart met aortastenose daarentegen bevatte veel meer correlaties en randen.
"In het geval van aortastenose is er geen scheiding tussen de lub- en dub-geluidssignalen", zegt Swapna.
De onderzoekers gebruikten machinaal leren om de grafieken te onderzoeken en die met en zonder ziekte te identificeren, waardoor een classificatienauwkeurigheid van 100% werd bereikt. Hun methode houdt rekening met de correlatie van elk punt, waardoor het nauwkeuriger is dan andere die alleen rekening houden met de sterkte van het signaal, en dit in minder dan 10 minuten. Als zodanig kan het nuttig zijn voor diagnoses in een vroeg stadium.
Tot nu toe is de methode alleen getest met gegevens, niet in een klinische setting. De auteurs ontwikkelen een mobiele applicatie die wereldwijd toegankelijk is. Hun techniek kan ook worden gebruikt om andere aandoeningen te diagnosticeren.
"De voorgestelde methode kan worden uitgebreid tot elk type hartgeluidssignaal, longgeluidssignaal of hoestgeluidssignaal," zei Swapna.
Het artikel "Het uitpakken van aortaklepdisfunctie door middel van complexe netwerkanalyse:een biofysische benadering" is geschreven door V. Vijesh, M.S. Swapna, K. Satheesh Kumar en S. Sankararaman. Het artikel zal verschijnen in The Journal of Applied Physics op 30 augustus 2022. + Verder verkennen
Wetenschap © https://nl.scienceaq.com