UPF, Nueva detección Cardiovascular
Nueva detección cardiovascular, enfermedades Cardiovasculares con nuevas herramientas analíticas presentado en un estudio publicado en la revista Medical Image Analysis por Mariana Nogueira y Mathieu De Craene, primeros autores, en el marco del proyecto CardioFunxion, dirigido por Bart Bijnens (ICREA) y Gemma Piella, miembros de los grupos de investigación Physense y SiMBioSys en BCN MedTech, expertos en Machine Learning para la toma de decisiones clínicas.
Figura 1 del trabajo: Resumen gráfico. © 2019 Elsevier. https://doi.org/10.1016/j.media.2019.101594
La ecocardiografía es una prueba que utiliza técnicas de ultrasonido para producir imágenes del corazón en tiempo real. La ecocardiografía de estrés utiliza esta técnica para evaluar la respuesta de la frecuencia cardíaca mientras realiza una actividad en la que el corazón tiene que trabajar (estrés). La ecocardiografía de estrés puede revelar rastros de enfermedad cardiovascular en sus primeras etapas, antes de que se manifieste, por lo que esta técnica se convierte en una valiosa herramienta de detección.
Se obtiene un protocolo de ecocardiografía de estrés que ha demostrado tener ventajas en la práctica clínica mientras se realizan ejercicios de agarre. Sin embargo, los niveles máximos de ejercicio no se cuantifican y regulan fácilmente, lo que requiere el análisis de las secuencias de datos completas (miles de imágenes), lo que representa un desafío para el clínico.
Se propone un marco analítico que aborde explícitamente los desafíos prácticos que plantea el análisis de miles de datos completos e ilustra el potencial de su estudio en un grupo específico de pacientes cardíacos.
Un estudio publicado en la revista Medical Image Analysis, propone un marco operativo para el análisis de este complejo conjunto de datos. El artículo acaba de ser publicado, el 6 de noviembre, en la edición avanzada en línea. En este estudio, los datos fisiológicos de la función cardíaca se obtienen mediante ecocardiografía, mientras que los sujetos realizaron una serie de ejercicios de agarre. Los datos fueron integrados por Multiple Kernel Learning (MKL).
El estudio fue coordinado por Bart Bijnens (ICREA-UPF) y Gemma Piella , investigadores de los grupos de investigación Physense y SiMBioSys , respectivamente, que pertenecen a la unidad de investigación BCN MedTech en el Departamento de Tecnologías de Información y Comunicación ( DTIC ) en la UPF que trabajan en el campo de Machine Learning para la toma de decisiones clínicas. Mariana Nogueira y Mathieu De Craene son los primeros autores del artículo e investigadores de Medisys Philips Research en París (Francia) en el marco del proyecto CardioFunXion . Sergio Sánchez Martínezes coautor y miembro de SiMBioSys; Devyani Chowdhury , coautora del estudio e investigadora de la Universidad de Pensilvania (EE. UU.).
Un marco analítico basado en el aprendizaje automático.
Los autores proponen un marco analítico que aborda explícitamente los desafíos prácticos que plantea el análisis de miles de datos completos e ilustra el potencial de su estudio en un grupo específico de pacientes cardíacos. El artículo presenta los resultados de las adquisiciones de imágenes obtenidas de 15 pacientes, 10 sanos y 5 con la mutación ANT1 (Adenine Nucleotide Translocator-1), que afecta los ciclos cardíacos. Para el estudio, los investigadores analizaron un total de 1,377 ciclos cardíacos.
“Nuestro marco utiliza el aprendizaje de múltiples núcleos (MKL) para proyectar datos heterogéneos recuperados durante cada ciclo cardíaco durante la prueba de esfuerzo en un espacio de baja dimensión donde se codifican las principales variaciones de datos. Aquí, la respuesta al estrés de cada sujeto puede verse como una trayectoria, y a partir de la similitud entre trayectorias, los sujetos pueden asignarse a grupos que reflejan diferentes patrones de respuesta ”, explican Bijnens y Piella .
MKL proporciona una representación simplificada que se explora para discriminar grupos de respuesta y comprender los mecanismos fisiopatológicos subyacentes.
Luego, explican los autores, la interpretación fisiológica de los resultados se decodifica permitiendo reconstruir las señales de entrada a lo largo de cualquier trayectoria a través del espacio de salida de baja dimensión. Esta representación simplificada se explora para discriminar grupos de respuesta y comprender los mecanismos fisiopatológicos subyacentes.
Los autores han propuesto un marco para analizar secuencias de ecocardiografía de estrés no estandarizadas . Usando MKL sin supervisión, combinaron la información sobre la velocidad del miocardio y la frecuencia cardíaca para obtener una representación de los datos de menor dimensión . El marco propuesto se ilustra en las secuencias de ejercicios de empuñadura adquiridos en un grupo control de sujetos sanos y pacientes con la mutación ANT1.
Los resultados muestran que la metodología propuesta por estos expertos en aprendizaje automático puede discriminar entre diferentes respuestas y proporcionar información sobre los mecanismos fisiopatológicos subyacentes, lo que demuestra su capacidad para analizar conjuntos de datos tan complejos que muestran el potencial de protocolos no estandarizados, como ejercicios de agarre manual para desenmascarar mecanismos diferenciales de respuesta cardíaca. De hecho, los resultados confirman que el marco propuesto es capaz, para cada sujeto de estudio, de distinguir respuestas saludables o patológicas y registrar patrones específicos de patología.
Trabajo de referencia:
Mariana Nogueira, Mathieu De Craene, Sergio Sánchez Martínez, Devyani Chowdhury, Bart Bijnens, Gemma Piella (2019) “Análisis de secuencias de ecocardiografía de estrés no estandarizadas utilizando reducción de dimensionalidad multivista”, Análisis de imagen médica , edición avanzada en línea del 6 de noviembre, https: // doi.org/10.1016/j.media.2019.101594