News Release 

Nuevas herramientas analíticas de cribado para la detección de la enfermedad cardiovascular

Que se presentan en un estudio por Mariana Nogueira y Mathieu De Craene, en el marco del proyecto CardioFunxion, dirigidos por Bart Bijnens (ICREA) y Gemma Piella, miembros de los grupos de investigación Physense y Simbiosys, del BCN MedTech

Universitat Pompeu Fabra - Barcelona

IMAGE

IMAGE: This graphical abstract is figure 1 of the work. view more 

Credit: © 2019 Elsevier. https://doi.org/10.1016/j.media.2019.101594

La ecocardiografía es una prueba que utiliza técnicas de ultrasonidos (ecografía) para producir, en tiempo real, imágenes del corazón. La ecocardiografía de estrés aprovecha esta técnica para valorar la respuesta cardíaca mientras se hace algún tipo de actividad en la que el corazón tiene que trabajar (estrés). La ecocardiografía de estrés puede desvelar rastros de enfermedad cardiovascular en fase inicial, antes de que ésta se manifieste, por lo que esta técnica se convierte en una valiosa herramienta de cribado.

Un protocolo de ecocardiografía de estrés que ha manifestado tener ventajas en la práctica clínica es el obtenido mientras se hace ejercicio con las manos. Sin embargo, los niveles máximos de ejercicio no se pueden cuantificar ni regular fácilmente y se requiere el análisis de múltiples secuencias de datos completos (miles de imágenes), una tarea difícil para el médico.

Se propone un marco analítico que aborde explícitamente los retos prácticos que supone el análisis de miles de secuencias de datos completos y que ilustre el potencial que su estudio tiene en un grupo específico de pacientes cardiacos

Un trabajo, publicado en la revista Medical Image Analysis, propone un marco operativo para el análisis de este conjunto de datos complejos. Un artículo que se acaba de publicar el 6 de noviembre en edición avanzada en línea. En este trabajo, los datos fisiológicos del funcionamiento cardíaco se han obtenido mediante ecocardiograma mientras los sujetos practicaban una serie de ejercicios hechos mediante el uso de asideros de los que se emplean en fisioterapia para fortalecer las manos (handgrip). La integración de los datos se ha obtenido a través de Multiple Kernel Learning (MKL).

El estudio ha sido coordinado por Bart Bijnens (ICREA-UPF) y Gemma Piella, miembros de los grupos de investigación Physense y Simbiosys, respectivamente, grupos que pertenecen a la Unidad de investigación BCN MedTech del Departamento de Tecnologías de la Información y las Comunicaciones (DTIC) de la UPF y que trabajan en "Machine Learning" para la toma de decisiones clínicas. Mariana Nogueira y Mathieu De Craene, son primeros autores del artículo e investigadores del Medisys Philips Research en París (Francia) en el marco del proyecto CardioFunXion. Sergio Sánchez Martínez es coautor y miembro de Simbiosys; Devyani Chowdhury, coautor del trabajo e investigador de la Universidad de Pensilvania (EE.UU.).

Una marco analítico basado en el aprendizaje máquina

Los autores proponen un marco analítico que aborde explícitamente los retos prácticos que supone el análisis de miles de secuencias de datos completos y que ilustre el potencial que tiene su estudio en un grupo específico de pacientes cardíacos. El artículo muestra los resultados de las adquisiciones por imagen obtenidas de 15 pacientes, 10 sanos y 5 con enfermedad cardíaca congénita por mutación ANT1 (Adenine Nucleotide Translocator-1), que afecta a los ciclos cardiacos. Los investigadores para este estudio analizaron un total de 1.377 ciclos cardiacos.

"Nuestro marco utiliza Multiple Kernel Learning (MKL) para proyectar datos heterogéneos recogidos de cada ciclo cardíaco a lo largo de la prueba de tensión en un espacio de dimensión bajo donde se codifican las principales variaciones de los datos. En este espacio, la respuesta al estrés de cada sujeto se puede ver como una trayectoria y, a partir de la similitud entre las trayectorias, los sujetos pueden agruparse en grupos que reflejan distintos patrones de respuesta", explican Bijnens y Piella.

Del MKL se obtiene una representación simplificada que se explora para discriminar grupos de respuesta y entender los mecanismos fisiopatológicos subyacentes

Entonces, la interpretación fisiológica de los resultados se decodifica lo que permite reconstruir las señales de entrada a lo largo de cualquier trayecto a través del espacio de salida de baja dimensión, siguen explicando los autores en su trabajo. Esta representación simplificada se explora para discriminar grupos de respuesta y entender los mecanismos fisiopatológicos subyacentes.

Los autores han propuesto un marco para el análisis de datos de secuencias de ecocardiografía de estrés no estandarizadas. Utilizando MKL no supervisado han combinado la información de la velocidad y la frecuencia cardíaca del miocardio con el fin de obtener una representación de dimensiones reducidas. El marco propuesto se ilustra en las secuencias de ejercicio de handgrip adquiridas en un conjunto de controles sanos y pacientes con mutación ANT1.

Los resultados muestran que la metodología propuesta por estos expertos en aprendizaje máquina es capaz de discriminar entre diferentes respuestas y proporcionar información sobre los mecanismos fisiopatológicos subyacentes, demostrando su capacidad para analizar este tipo de datos complejos y mostrando el potencial que tienen en protocolos no estandarizados, como los de ejercicio de mano, para desenmascarar mecanismos de respuestas cardiacas diferentes. En efecto, los resultados confirman que el marco propuesto es capaz de distinguir para cada sujeto en estudio respuestas saludables o patológicas y registrar patrones específicos de enfermedad.

###

Disclaimer: AAAS and EurekAlert! are not responsible for the accuracy of news releases posted to EurekAlert! by contributing institutions or for the use of any information through the EurekAlert system.