Podría abaratarse la costosa tecnología que detecta ruidos cardíacos predictores de enfermedades cardiovasculares
Journal of Applied Physics, Kerala, India 12 Octubre, 2022

La herramienta de diagnóstico funciona en base a los sonidos cadíacos; el órgano genera un ruido de "lub" cuando cierra las válvulas mitral y tricúspide, se detiene cuando se produce la relajación ventricular, luego hace un segundo ruido, "dub", cuando se cierran las válvulas aórtica y pulmonar.

Universidad de Kerala, Palayam, Thiruvananthapuram, India 

El estudio que publica ayer 30 de agosto la revista Journal of Applied Physics * desarrolla la metodología para identificar la disfunción valvular mediante un análisis de red que, pese a su complejidad científica, lo describen como preciso, fácil de usar y de bajo costo. El trabajo fue desarrollado por investigadores de la Universidad de Kerala, India, y de Nova Gorica, Eslovenia. 

Universidad de Nova Gorica, Eslovenia

Los investigadores aclaran en la introducción a su trabajo que una persona sana produce dos sonidos del corazón: S1 ("lub"), el primero , y S2 ("dub"), el segundo. El intervalo de tiempo entre ambos es la instancia sistólica donde se produce la relajación ventricular y el llenado de sangre.
El sonido S1 surge debido al cierre de las válvulas mitral y tricúspide, y S2 se debe al cierre de las válvulas aórtica y pulmonar.
La variación en el tono, la intensidad, la ubicación y el momento de estos primeros y segundos ruidos transmiten información esencial relacionada con la salud del paciente.

La estenosis de la válvula aórtica producido cuando se estrecha la válvula, en casos severos, puede conducir a insuficiencia cardíaca; por lo tanto, identificar la condición puede ser difícil en áreas remotas porque requiere tecnología sofisticada y los diagnósticos tempranos son difíciles de obtener.

Los autores utilizaron datos de sonidos cardíacos, recopilados durante 10 minutos, para crear un gráfico o una red compleja de puntos conectados. Los datos se dividieron en secciones y cada parte se representó con un nodo o punto único. Si el sonido en esa parte de los datos era similar a otra sección, dibujaban una línea o borde entre los dos nodos.

En corazones sanos, los gráficos mostraban dos grupos distintos de puntos, con muchos nodos desconectados. Por el contrario, los casos de estenosis aórtica contenían más correlaciones y bordes.
"En el caso de la estenosis aórtica, no hay separación entre las señales de sonido lub y dub", precisan los investigadores que utilizaron el aprendizaje automático para examinar los gráficos e identificar aquellos con y sin enfermedad, logrando una precisión de clasificación del 100 %.

Según los autores, su metodología toma la correlación de cada punto bajo consideración, haciéndolo más preciso que otros que solo consideran la fuerza de la señal; además, agregan, que lo hace en menos de 10 minutos. En función de su experiencia, lo presentan como útil para diagnósticos en etapas tempranas.

Hasta ahora, el método solo se ha probado con datos, no en un entorno clínico. Los autores Trabajan en el desarrollo de una aplicación móvil accesible para todo el mundo. Su técnica también podría usarse para diagnosticar otras afecciones. "El método propuesto se puede extender a cualquier tipo de señales de sonido del corazón, señales de sonido de los pulmones o señales de sonido de la tos", considera Sindhu Swapna, uno de los tres autores del estudio.

Antecedentes y detalles de la técnica 
Entre las diversas enfermedades cardiovasculares, la enfermedad valvular cardíaca (VHD, siglas en inglés) y de las arterias coronarias (CAD) son los eventos cardiovasculares más comunes. La VHD se debe al mal funcionamiento de las válvulas aórtica, tricúspide, mitral o pulmonar, mientras que la CAD se explica por la contracción/expansión de las arterias coronarias como resultado de placas depositadas.
Las disfunciones de la válvula aórtica o mitral son más prevalentes que las enfermedades causadas por defectos de la válvula tricúspide o pulmonar debido a la alta presión en el lado izquierdo del corazón.
La estenosis aórtica es una de las VHD que afecta gravemente a las personas mayores del mundo debido a la degeneración calcificada que ocasiona una estenosis aórtica degenerativa.

El estrechamiento de la válvula aórtica como resultado de la calcificación (o por defecto congénito) restringe el flujo sanguíneo desde el ventrículo izquierdo hacia la aorta, cambiando las presiones ventriculares, lo que provoca turbulencia en el flujo sanguíneo con el correlato de un soplo sistólico que se irradia a lo largo del tracto de salida aórtico.
Pese a que la mayoría de los pacientes son asintomáticos por depender del grado de estrechez de la válvula aórtica, el soplo sistólico de eyección en el precordio se presenta como uno de los principales síntomas de la estenosis aórtica.

El procesamiento de señales biomédicas proporciona información valiosa para la toma de decisiones. El examen físico preliminar por parte de los médicos suele ser por auscultación.
Después de avances tecnológicos notables, la identificación de la disfunción de la válvula aórtica mediante la auscultación cardíaca muestra un incremento de la precisión del 92 %, cifra indicativa de su eficiencia.

El problema del requisito de la experiencia clínica de los médicos y la variabilidad de audición que enfrenta la auscultación convencional se supera mediante la introducción de técnicas de diagnóstico asistidas por computadora.
Los ingenieros están interesados ??en desarrollar métodos no invasivos, más rápidos y accesibles para el procesamiento y análisis en tiempo real de estas bioseñales para ayudar a los médicos a utilizar diversas herramientas y algoritmos estadísticos.
Las transformaciones de Fourier y Hilbert, la de ondas, los análisis de redes complejas y de series temporales no lineales, el aprendizaje automático y las técnicas basadas en inteligencia artificial son algunos ejemplos de técnicas matemáticas asistidas por computadora utilizadas en la auscultación digital.

Entre las transformaciones espectrales, el algoritmo Fast Fourier Transform (FFT) es la herramienta matemática más simple y eficiente que al transformar las señales del dominio del tiempo en el dominio de la frecuencia, brinda información sobre el número que componen la frecuencia de la señal.

La representación de la interacción entre los componentes del sistema en términos de nodos y aristas ha permitido expresar un sistema semejante a una red compleja, evaluada en términos de una teoría de redes o grafos.
Un nuevo campo llamado biología de redes, que integra teoría de grafos, biología de sistemas y análisis estadísticos, representa sistemas biológicos complejos en gráficos.
Hoy en día, la teoría de grafos encuentra aplicaciones en el estudio de interacciones complejas entre genes, proteínas, nucleótidos, metabolitos, variantes genéticas y neuronas.
Además, en la revolución de los datos biomédicos, las redes se consideran el corazón de la biología moderna, donde están involucradas muchas señales complejas de series temporales. La transformación de una serie temporal que codifica su dinámica en una red compleja se lleva a cabo mediante correlación cruzada, gráficos de visibilidad, diagramas de recurrencia, información mutua y enfoques basados ??en el coeficiente de correlación de Pearson, la más simple, ya que analiza la correlación lineal entre dos variables.

El cateterismo cardíaco, la fonocardiografía, la ecocardiografía y la auscultación cardíaca son algunos de los procedimientos de diagnóstico adoptados para estos pacientes.


* Journal of Applied Physics
Unwrapping aortic valve dysfunction through complex network analysis: A biophysics approach featured
Vijayan Vijesh,  Mohanachandran Nair Sindhu Swapna, Krishan Nair Satheesh Kumar,  Sankaranarayana Iyer Sankararaman
30 de agosto, 2022
https://doi.org/10.1063/5.0102120