بیماری‌های قلبی-عروقی به عنوان یکی از اصلی‌ترین دلایل مرگ و میر در سطح جهانی شناخته می‌شوند. هر ساله تعداد زیادی از افراد به خاطر این بیماری‌ها جان خود را از دست می‌دهند و این روند همچنان در حال افزایش است. صدای قلب به عنوان یک منبع کلیدی برای شناسایی ناهنجاری‌های قلبی به شمار می‌آید و می‌تواند در تشخیص زودهنگام این بیماری‌ها نقش مهمی ایفا کند. شنیدن صدای قلب به دلیل غیرتهاجمی بودن و نیاز به تجهیزات کمتر، یک روش مؤثر و کاربردی در مراکز بهداشتی کوچک و کلینیک‌های مراقبت‌های اولیه محسوب می‌شود.
با این حال، یکی از چالش‌های اصلی در تشخیص ناهنجاری‌های قلبی از طریق صدای قلب، وابستگی این روش به تجربه پزشکان است. دقت تشخیص با این روش توسط پزشکان متخصص قلب حدود ۸۰ درصد و توسط پزشکان عمومی حدود ۲۰ تا ۴۰ درصد است. به همین دلیل، تلاش‌های بسیاری برای بهبود این روش از طریق استفاده از یادگیری ماشین و هوش مصنوعی صورت گرفته است. این فناوری‌های پیشرفته می‌توانند دقت تشخیص و مراقبت از بیماران را بهبود بخشند.
در این راستا، محققان ایرانی به سرپرستی مهدی تقی‌زاده از دانشگاه آزاد اسلامی واحد کازرون و با همکاری دانشگاه علوم پزشکی اصفهان، پژوهشی را انجام داده‌اند تا با استفاده از الگوریتم‌های یادگیری ماشین، ویژگی‌های جدیدی از سیگنال صدای قلب استخراج کنند. این ویژگی‌ها می‌توانند به تشخیص دقیق‌تر ناهنجاری‌های قلبی کمک کنند و دقت تشخیص را نسبت به روش‌های سنتی افزایش دهند.
این مطالعه که به صورت توصیفی و تحلیلی انجام شده، از داده‌های یک تحقیق به نام «چالش ۲۰۱۶ فیزیونت» استفاده کرده است. پژوهشگران پس از پیش‌پردازش داده‌ها و حذف نویزهای موجود، ۴۱ ویژگی مختلف از سیگنال‌های صدای قلب استخراج کردند. این ویژگی‌ها شامل ۶ ویژگی جدید بودند که عبارتند از: آشفتگی متوسط نسبی، ضریب اغتشاش دوره پنج نقطه‌ای، شیمر محلی برحسب دسی‌بل، ضریب اغتشاش دامنه سه نقطه‌ای، ضریب اغتشاش دامنه پنج نقطه‌ای، و همبستگی مرکز جرم زمانی و فرکانسی. سپس این ویژگی‌ها به چهار طبقه‌بند مختلف شامل جنگل تصادفی، ماشین بردار پشتیبان، K نزدیک‌ترین همسایه و تجزیه و تحلیل افتراق خطی اعمال شدند.
نتایج به دست آمده نشان دادند که بیشترین میزان صحت و حساسیت با استفاده از طبقه‌بند تجزیه و تحلیل افتراق خطی به دست آمده است. همچنین، بیشترین میزان اختصاصیت نیز در طبقه‌بند جنگل تصادفی مشاهده شد. این یافته‌ها نشان می‌دهند که با افزودن ویژگی‌های جدید، دقت تشخیص ناهنجاری‌های قلبی بهبود یافته و این ویژگی‌ها تأثیر مثبتی بر روی شاخص‌های مختلف ارزیابی داشته‌اند.
از سوی دیگر، مقایسه نتایج این پژوهش با مطالعات پیشین که از ویژگی‌های کمتری استفاده کرده بودند، نشان داد که استخراج ویژگی‌های جدید نه تنها دقت تشخیص را افزایش داده، بلکه باعث بهبود میزان اختصاصیت در طبقه‌بند جنگل تصادفی نیز شده است.
این یافته‌ها اهمیت بالایی در بهبود روش‌های تشخیص ناهنجاری‌های قلبی دارند و می‌توانند به عنوان مبنایی برای توسعه سیستم‌های تشخیصی پیشرفته‌تر مورد استفاده قرار گیرند.
این پژوهش همچنین نشان می‌دهد که استفاده از ویژگی‌های مرتبط با تغییرات دامنه سیگنال (شیمر) نسبت به ویژگی‌های مرتبط با فرکانس (ییتر) در تشخیص ناهنجاری‌های قلبی مؤثرتر است. به عبارت دیگر، تغییرات دامنه سیگنال صدای قلب اطلاعات بیشتری در خصوص وضعیت قلب ارائه می‌دهد که می‌تواند به تشخیص دقیق‌تر ناهنجاری‌ها کمک کند.
به گزارش ایسنا، این نتایج جالب و ارزشمند در نشریه «ارمغان دانش» وابسته به معاونت تحقیقات و فناوری دانشگاه علوم پزشکی یاسوج منتشر شده اند. نتایج این تحقیق می‌توانند گامی مهم در بهبود سیستم‌های تشخیصی مبتنی بر صدا و ارتقای سطح مراقبت‌های بهداشتی در سطح جهان باشند.
