Reumatische hartziektediagnose

Reumatische hartziekte (RHD) is een te voorkomen maar ernstig volksgezondheidsprobleem
dat miljoenen mensen in lage- en middeninkomenslanden
treft, evenals gemarginaliseerde groepen in ontwikkelde landen. Het is een
potentieel fatale hartaandoening die wordt veroorzaakt door beschadiging van de
hartkleppen als gevolg van een of meer episoden van reumatische koorts, een autoimmuun
ontstekingsreactie op groep A streptokokkenbacterie. RHD wordt het
vaakst bij kinderen vastgesteld. Effectief vroegtijdig ingrijpen kan het risico van
vroegtijdig overlijden en invaliditeit als gevolg van RHD aanzienlijk verminderen.
Zodra bij een patiënt reumatische koorts is vastgesteld, is het van cruciaal
belang om terugkerende streptokokkeninfecties te voorkomen. Momenteel blijft
een groot percentage van de mensen met RHD echter ongediagnosticeerd of
wordt het pas ontdekt nadat er al aanzienlijke hartschade is opgetreden. Het
vroegtijdig opsporen van RHD met behulp van screening zou een mogelijke
oplossing kunnen zijn. In landen waar RHD endemisch is, is het zorgpersoneel
echter overbelast, waardoor ze niet routinematig kunnen screenen op RHD. Deze
dissertatie presenteert een nieuwe en eenvoudig te gebruiken screening tool op
basis van machinaal leren voor het opsporen van RHD in de gemeenschap, de tool
is ontwikkeld om gebruikt te worden door een niet-medisch geschoold individu.
Tijdens het onderzoek werden fonocardiogram (PCG) en elektrocardiogram
(ECG) opnames gebruikt. Zowel PCG als ECG hebben nuttige kenmerken die
helpen bij de analyse van hartgerelateerde aandoeningen als gevolg van RHD.
Wanneer de hartkleppen zijn aangetast door RHD, lekken ze of worden ze
vernauwd, wat resulteert in een turbulente bloedstroom in de hartkamers. Dit
wordt een hartruis genoemd. De gevoeligheid van manuele auscultatie voor het
opsporen van hartruis is zeer laag. Dit is voornamelijk te wijten aan de inherente
beperking van het menselijk gehoorsysteem bij het uitvoeren van nauwkeurigehartauscultatie. Dit probleem kan worden opgelost door het ontwikkelen van
een machine learning algoritme voor automatische detectie van ruis als gevolg
van RHD. Er zijn echter geen publiek beschikbare datasets met hartgeluiden van personen met RHD. Daarom werd een PCG en ECG dataset opgenomen
van 170 personen (124 subjecten met RHD en 46 gezonde controle subjecten)
verzameld in Ethiopië, een van de RHD endemische landen. Deze dataset werd
gebruikt om verschillende classificatiemodellen voor RHD detectie en screening
te ontwikkelen, trainen en testen.
Hartgeluiden zijn gevoelig voor allerlei ruisbronnen, waaronder omgevingsen
fysiologische geluiden. Er bestaan verschillende methoden om ruis uit
dergelijke signalen te reduceren en te verwijderen. Deze dissertatie onderzocht de
invloed van verschillende denoising methoden op de classificatieprestaties van een
binaire classificator voor hartgeluiden. Wanneer denoising direct werd toegepast,
verbeterde de prestatie niet, maar wanneer het indirect werd toegepast, d.w.z.
om de lokalisatie van de fundamentele hartgeluiden te verbeteren, werd een
aanzienlijke verbetering van de classificatieprestatie waargenomen. Met name
spectral substraction op basis van Weiner Estimation had het grootste effect.
Uit deze studie bleek dat denoising van hartgeluiden, mits correct gebruikt, de
classificatieprestaties kan verbeteren.
In de klinische praktijk worden ECG-testen gebruikt om de diagnose van
RHD te bevestigen, en de resultaten worden meestal gerapporteerd als minder
belangrijke symptomen. ECG is echter een bijzonder gewild instrument in
de ontwikkelingswereld vanwege het hoge gebruiksgemak en de wijdverspreide
beschikbaarheid. Deze dissertatie onderzocht de automatische afbakening en
karakterisering van ECG opnamen van personen met RHD. PR-intervallen
waren verlengd in 47,2% van de opnamen. De QRS-duur was langer dan hetnormale bereik in 26.5% van de gevallen. Het QTc interval was verlengd in 44.3%
van de gevallen. Bradycardie werd aangetroffen bij 62,2% van de patiënten.
Deze resultaten tonen aan dat ECG een nuttig instrument kan zijn voor de
detectie van RHD.
De laatste uitdaging was het onderzoeken van de prestaties van verschillende
classificatiealgoritmen bij het opsporen van RHD en het ontwikkelen van een
screeningsinstrument voor RHD. Meerdere klassieke classificatiealgoritmen
werden vergeleken op de RHD dataset. Deze studie onderzocht met name
de prestaties van beslissingsbomen, lineaire discriminantanalyse, logistische
regressie, Gaussian Naive Bayes classifiers, SVMs, KNNs, ensemble bagged
trees, en CNNs. SVM vertoonde de beste classificatieresultaten en werd daarom
geselecteerd om de RHD screening tool te ontwikkelen. Eenendertig features
uit tijd, frequentie, perceptueel en akoestisch domein werden geselecteerd en
gebruikt in de ontwikkeling van het systeem. Om de prestaties van het systeem
te evalueren, werd een nested-cross validatie aanpak gebruikt om verschillende
waarden van RHD prevalentie in de bevolking na te bootsen. Voor een prevalentie
van 5% behaalde het algoritme een f1-score van 72,2± 0,8%, een recall van 92,3
±0,4%, een precisie van 59,2± 3,6%, en een specificiteit van 94,8 ±0,6%. Deze studie toont aan dat het mogelijk is om automatisch RHD te detecteren voor

screening in de algemene bevolking. De voorgestelde technologie kan worden
gebruikt om regelmatig te screenen op RHD door een niet-medisch geschoold
individu.