Vés enrere Noves eines analítiques de cribratge per a la detecció de malaltia cardiovascular

Noves eines analítiques de cribratge per a la detecció de malaltia cardiovascular

Que es presenten en un estudi publicat a la revista Medical Image Analysis per Mariana Nogueira i Mathieu De Craene, primers autors, en el marc del projecte CardioFunxion, dirigits per Bart Bijnens (ICREA) i Gemma Piella, membres dels grups de recerca Physense i Simbiosys, del BCN MedTech, experts en “Machine Learning” per a la presa de decisions clíniques.

14.11.2019

Imatge inicial

L’ecocardiografia és una prova que utilitza tècniques d’ultrasons (ecografia) per produir, en temps real, imatges del cor. L’ecocardiografia d’estrés aprofita aquesta tècnica per valorar la resposta cardíaca mentre es fa algun tipus d’activitat en què el cor ha de treballar (estrés). L’ecocardiografia d’estrès pot desvetllar traces de malaltia cardiovascular en fase inicial, abans que aquesta es manifesti, per la qual cosa aquesta tècnica esdevé una valuosa eina de cribratge.

Un protocol d’ecocardiografia d’estrès que ha manifestat tenir avantatges en la pràctica clínica és l’obtingut mentre es fa exercici amb les mans.  Tanmateix, els nivells màxims d’exercici no es poden quantificar ni regular fàcilment i es requereix l’anàlisi de múltiples seqüències de dades completes (milers d’imatges) la qual cosa és una tasca difícil per al metge.

Es proposa un marc analític que abordi explícitament els reptes pràctics que suposa l’anàlisi de milers de seqüències de dades completes i que il·lustri el potencial que té el seu estudi en un grup específic de pacients cardíacs

Un treball, publicat a la revista Medical Image Analysis, proposa un marc operatiu per a l’anàlisi d’aquest conjunt de dades complexes. Un article que s’acaba de publicar el 6 de noviembre en l’edició avançada en línia. En aquest treball, les dades fisiològiques del funcionament cardíac s’han obtingut mitjançant ecocardiograma mentre els subjectes practicaven una sèrie d’exercicis fets mitjançant l’ús d’agafadors dels que s’empren en fisioteràpia per enfortir les mans (handgrip). La integració de les dades s’ha obtingut per Multiple Kernel Learning (MKL).

L’estudi ha estat coordinat per Bart Bijnens (ICREA-UPF) i Gemma Piella, investigadors dels grups de recerca Physense i Simbiosys, respectivament,  grups que pertanyen a la Unitat de recerca BCN MedTech del Departament de Tecnologies de la Informació i les Comunicacions (DTIC) de la UPF i que treballen en l’àmbit de “Machine Learning” per a la presa de decisions clíniques. Mariana Nogueira i Mathieu De Craene, són primers autors de l’article i investigadors del Medisys Philips Research a París (França) en el marc del projecte CardioFunXion. Sergio Sánchez Martínez és coautor i membre de Simbiosys; Devyani Chowdhury, coautor del treball i investigador de la Universitat de Pensilvània (EUA).

Una marc analític basat en l’aprenentatge màquina

Els autors proposen un marc analític que abordi explícitament els reptes pràctics que suposa l’anàlisi de milers de seqüències de dades completes i que il·lustri el potencial que té el seu estudi en un grup específic de pacients cardíacs. L’article mostra els resultats de les adquisicions per imatge obtingudes de 15 pacients, 10 sans i  5 amb malaltia cardíaca congènita per mutació ANT1 (Adenine Nucleotide Translocator-1 ), que afecta els cicles cardíacs. Els investigadors per aquest estudi van analitzar un total de 1.377 cicles cardíacs.

“El nostre marc utilitza Multiple Kernel Learning (MKL) per projectar dades heterogènies recollides de cada cicle cardíac al llarg de la prova de tensió en un espai de dimensió baixa on es codifiquen les principals variacions de les dades. En aquest espai, la resposta a l’estrès de cada subjecte es pot veure com una trajectòria i, a partir de la similitud entre les trajectòries, els subjectes poden agrupar-se en grups que reflecteixen diferents patrons de resposta”, expliquen Bijnens i Piella.

Del MKL s’obté una representació simplificada que s'explora per discriminar grups de resposta i entendre els mecanismes fisiopatològics subjacents

Aleshores, la interpretació fisiològica dels resultats es descodifica la qual cosa permet reconstruir els senyals d'entrada al llarg de qualsevol trajecte a través de l'espai de sortida de baixa dimensió, continuen expliquen els autors en el seu treball. Aquesta representació simplificada s'explora per discriminar grups de resposta i entendre els mecanismes fisiopatològics subjacents.

Els autors han proposat un marc per a l’anàlisi de dades de seqüències d’ecocardiografia d’estrès no estandarditzades. Utilitzant MKL no supervisat han combinat la informació de la velocitat i la freqüència cardíaca del miocardi per tal d’ obtenir una representació de dimensions reduïdes. El marc proposat s’il·lustra en les seqüències d’exercici de handgrip adquirides en un conjunt de controls sans i pacients amb mutació ANT1.

Els resultats mostren que la metodologia proposada per aquests experts en aprenentatge màquina és capaç de discriminar entre diferents respostes i proporcionar informació sobre els mecanismes fisiopatològics subjacents, demostrant la seva capacitat per analitzar aquest tipus de conjunts de dades complexes i mostrant el potencial que tenen el protocols no estandarditzats,  com ara els d’exercici de mà,  per desemmascarar mecanismes de resposta cardíacs diferencials. En efecte, els resultats confirmen que el marc proposat és capaç de distingir per a cada subjecte en estudi respostes saludables o patològiques i registrar patrons específics de malaltia.

Treball de referència:

Mariana Nogueira, Mathieu De Craene, Sergio Sánchez Martínez, Devyani Chowdhury, Bart Bijnens, Gemma Piella (2019) “Analysis of Nonstandardized Stress Echocardiography Sequences Using Multiview Dimensionality Reduction”, Medical Image Analysis, en edició avançada en línia del 6 de novembre, https://doi.org/10.1016/j.media.2019.101594

Per a més informació sobre Learning Machine aplicat a la clínica, vegeu el seminari (en anglès) que va impartir Bart Bijnens a la UPF el 5 de juliol del 2019, en el marc del projecte HUMAINT:

 

Multimèdia

Categories:

ODS - Objectius de desenvolupament sostenible:

Els ODS a la UPF

Contact

Per a més informació

Notícia publicada per:

Oficina de Comunicació