Kako se bolesti kardiovaskularnog sistema mogu otkriti pre pojave simptoma? Istraživači sa Tehnološkog univerziteta u Gracu (TU Graz) pronašli su način da ih pronađu u ranoj fazi.
Kardiovaskularne bolesti su među najčešćim uzrocima smrti širom sveta. Često se otkrivaju tek kada su se simptomi već pojavili, a bolest je već relativno uznapredovala. Umesto lečenja lekovima, tada je obično neophodna operacija.
Tokom svojih doktorskih teza u okviru projekta TU Graz „Mehanika, modeliranje i simulacija disekcije aorte“ koji su vodili Gerhard Holzapfel, Saša Ranftl sa Instituta za teorijsku i računarsku fiziku i Vahid Badeli sa Instituta za osnove i teoriju u elektrotehnici na TU Grac pronašao način da poboljša i ubrza rano otkrivanje takvih bolesti bez upotrebe skupih dijagnostičkih metoda kao što su MRI ili CT.
Koristeći digitalni blizanac obolele osobe, oni takođe mogu detaljnije da istraže bilo koju bolest. Ovo može da rastereti pacijente i lekare, kao i zdravstvene ustanove. Oni su već podneli zahtev za patent za svoj metod i sada ga dovode do tržišne zrelosti u „arterioskopu“ spin-offa TU Grac.
„Osnovni princip je da će svaka bolest koja menja kardiovaskularnu mehaniku promeniti i spoljašnje primenjeno električno polje na određeni način. Ovo se odnosi na arteriosklerozu, disekciju aorte, aneurizme, defekte srčanih zalistaka itd.“, kaže Ranftl.
Istraživači mogu da koriste normalne električne, bioimpedansne ili optičke signale – na primer sa EKG, PPG ili pametnog sata – koje analiziraju koristeći model mašinskog učenja koji su sami razvili i koji prepoznaje potencijalne bolesti iz signala. Istovremeno, model ukazuje na to koliko je velika verovatnoća da je određena bolest zaista prisutna.
Model mašinskog učenja je obučen korišćenjem stvarnih kliničkih podataka o bioimpedansi i vrednosti iz simulacija kardiovaskularnog sistema. Zbog brojnih parametara koji igraju ulogu u kardiovaskularnom sistemu i mnogih simulacija koje su neophodne za statistički značajan rezultat, mašinsko učenje omogućava dobijanje rezultata sa više od 90% tačnosti u razumnom vremenskom periodu.
Još jedna prednost analize mašinskog učenja je to što ona takođe prepoznaje promene koje čak ni iskusni lekari ne bi mogli da otkriju iz EKG podataka golim okom.
Na primer, ovaj metod se može koristiti za određivanje stepena ukrućenja arterija. Ako arterije postaju sve krutije, to je obično preliminarni stadijum disekcije aorte i stoga prerani signal upozorenja. Kada se identifikuje rizična promena, dijagnostički podaci se mogu koristiti za kreiranje multifizičkog simulacionog modela u obliku digitalnog blizanca, koji takođe predviđa dalji tok bolesti.
Ovo omogućava lekarima da izvrše detaljniju analizu. U spin-off arterioskopu TU Graz, Ranftl i Badeli sada dalje razvijaju ovu tehnologiju zajedno sa partnerima iz sektora zdravstvene zaštite kako bi poboljšali tačnost svojih trenutnih algoritama i dalje ih proširili i prilagodili kliničkoj praksi.
Polazna tačka za ovaj razvoj bio je interdisciplinarni rad sa njihovim kolegama u vodećem projektu i činjenica da se njihova dva specijaliteta savršeno dopunjuju: Ranftl je fizičar, a Badeli je inženjer elektrotehnike.
Njihovo zajedničko znanje i nalazi iz glavnog projekta omogućili su im da razbiju vezu između promena u spoljašnjim primenjenim električnim poljima – na primer od senzornih elektroda – i mehanike kardiovaskularnog sistema na način da se mogu doneti precizni zaključci o potencijalno negativne promene u kardiovaskularnom sistemu.
„Postoji mnogo informacija koje se mogu prikupiti izvan tela uz malo truda“, kaže Badeli. „Do sada je bilo teško saznati šta tačno znače ove informacije. Ali sa našim kompjuterskim modelima i uz pomoć mašinskog učenja, možemo ih bolje razumeti i pronaći korelacije.“ To će omogućiti ranije lečenje pacijenata kada je, na primer, moguća terapija lekovima umesto operacije.
