En normal aortaklaff (vänster) kontra en defekt aortaklaff (höger) och deras olika ljudsignaler (lila). Ljuddata användes för att generera grafer i de nedre hörnen, som skiljer sig mycket åt och kan hjälpa till att diagnostisera aortaklaffstenos. Kredit:M.S. Swapna
Aortaklaffstenos uppstår när aortaklaffen smalnar av, vilket begränsar blodflödet från hjärtat genom artären och till hela kroppen. I svåra fall kan det leda till hjärtsvikt. Att identifiera tillståndet kan vara svårt i avlägsna områden eftersom det kräver sofistikerad teknik och diagnoser i tidiga skeden är utmanande att få.
I Journal of Applied Physics , utvecklade forskare från University of Kerala, Indien och University of Nova Gorica, Slovenien en metod för att identifiera ventildysfunktion med hjälp av komplex nätverksanalys som är korrekt, enkel att använda och till låg kostnad.
"Många vårdcentraler på landsbygden har inte den nödvändiga tekniken för att analysera sjukdomar som denna", säger författaren M.S. Swapna, vid University of Nova Gorica och University of Kerala. "För vår teknik behöver vi bara ett stetoskop och en dator."
Det diagnostiska verktyget fungerar baserat på de ljud som produceras av hjärtat. Organet skapar ett "lub"-ljud när det stänger mitralis- och trikuspidalklaffarna, pausar när ventrikulär avslappning inträffar och blodet fylls på, och avger sedan ett andra ljud, "dub", när aorta- och lungklaffarna stänger.
Swapna och hennes team använde hjärtljudsdata, som samlats in under 10 minuter, för att skapa en graf eller ett komplext nätverk av anslutna punkter. Data delades upp i sektioner och varje del representerades med en nod eller en enda punkt på grafen. Om ljudet i den delen av datan liknade en annan sektion, ritades en linje eller kant mellan de två noderna.
I ett friskt hjärta visade grafen två distinkta kluster av punkter, med många noder oanslutna. Däremot innehöll ett hjärta med aortastenos många fler korrelationer och kanter.
"I fallet med aortastenos finns det ingen separation mellan lub- och dub-ljudsignalerna", sa Swapna.
Forskarna använde maskininlärning för att undersöka graferna och identifiera de med och utan sjukdom, vilket uppnådde en klassificeringsnoggrannhet på 100 %. Deras metod tar korrelationen för varje punkt under övervägande, vilket gör den mer exakt än andra som bara tar hänsyn till styrkan på signalen, och den gör det på mindre än 10 minuter. Som sådan kan den vara användbar för diagnoser i tidiga skeden.
Hittills har metoden endast testats med data, inte i en klinisk miljö. Författarna utvecklar en mobilapplikation som kan nås över hela världen. Deras teknik kan också användas för att diagnostisera andra tillstånd.
"Den föreslagna metoden kan utvidgas till alla typer av hjärtljudssignaler, lungljudsignaler eller hostljudssignaler", säger Swapna.
Artikeln "Unwrapping aortic valve dysfunction through complex network analysis:A biophysics approach" är författad av V. Vijesh, M.S. Swapna, K. Satheesh Kumar och S. Sankararaman. Artikeln kommer att dyka upp i The Journal of Applied Physics den 30 augusti 2022. + Utforska vidare
