Améliorer le suivi de la santé cardiaque avec la sismocardiographie

Les maladies cardiaques sont un gros souci de santé aux États-Unis, avec pas mal de gens qui perdent la vie à cause de ça chaque jour. Une détection précoce peut vraiment changer la donne en termes de traitement et de résultats. Pour ça, les médecins utilisent plusieurs méthodes pour vérifier la santé du cœur. Certaines de ces méthodes sont non invasives, c'est-à-dire qu'elles n'ont pas besoin de chirurgie ou d'aiguilles. Ça inclut des techniques comme les électrocardiogrammes (ECG) et l'imagerie médicale, qui aident à détecter les problèmes cardiaques.

Une technique qui a l'air prometteuse s'appelle la Sismocardiographie (SCG). Cette méthode suit l'activité cardiaque en mesurant de petites vibrations causées par le mouvement du cœur. Ces vibrations révèlent des infos importantes sur le fonctionnement du cœur, ce qui peut aider à identifier des problèmes comme l'insuffisance cardiaque et d'autres conditions graves.

#C'est quoi la sismocardiographie ?

La SCG se concentre sur l'activité mécanique du cœur, contrairement à l'ECG, qui regarde les signaux électriques. La SCG mesure les vibrations sur la poitrine qui se produisent quand le cœur bat, comme quand les valves cardiaques s'ouvrent et se ferment et pendant le pompage du sang. En surveillant ces vibrations, la SCG peut donner des infos supplémentaires sur la santé cardiaque.

La SCG utilise des appareils appelés Accéléromètres pour mesurer les vibrations dans différentes directions : de droite à gauche, de la tête aux pieds et dorsoventral. Utiliser des mesures dans les trois directions donne une image plus claire de la façon dont le cœur fonctionne, chaque direction fournissant des infos uniques sur le mouvement du cœur.

#Objectif de l'étude

Cette étude a pour but de voir si on peut créer une lecture complète en trois directions de la SCG en utilisant juste deux directions d'infos d'un accéléromètre à double axe. En gros, la question est si on peut estimer les vibrations dans la direction dorsoventral uniquement à partir des vibrations dans les directions de droite à gauche et de la tête aux pieds.

Pour faire ça, les chercheurs prévoient d'utiliser un type spécifique d'Intelligence Artificielle appelé réseau de Mémoire à long terme et à court terme (LSTM). LSTM est un type de modèle d'apprentissage profond qui est bon pour comprendre les motifs dans des données basées sur le temps, comme les rythmes cardiaques.

#Conception de l'étude

L'étude a impliqué 15 adultes en bonne santé sans antécédents de maladies cardiaques. Les participants ont été choisis pour représenter différents milieux et incluaient aussi bien des hommes que des femmes.

Pendant l'étude, chaque participant est resté immobile sur un lit pour enregistrer les vibrations cardiaques sans aucun mouvement qui pourrait interférer avec les données. Trois accéléromètres ont été placés à des points clés sur la poitrine pour capter les vibrations. Ces appareils étaient conçus pour amplifier les signaux qu'ils détectaient, ce qui facilitait l'analyse des données plus tard. La collecte de données incluait aussi des techniques de suivi supplémentaires, comme taper sur un microphone pour marquer des points spécifiques dans le temps.

#Traitement des données

Une fois les données collectées, les chercheurs ont passé par plusieurs étapes pour nettoyer et préparer les signaux pour l'analyse. D'abord, ils ont utilisé un filtre de moyenne mobile pour lisser le bruit à haute fréquence. Ça a rendu plus facile de voir les motifs sous-jacents dans les données.

Ensuite, ils ont appliqué un filtre passe-bande pour se concentrer sur la plage de fréquences spécifiques pertinentes pour les signaux de SCG. Ils ont capté des segments de données basés sur les battements du cœur, identifiés grâce aux lectures ECG. Cela a aidé à s'assurer qu'ils analysaient des cycles spécifiques d'activité cardiaque, menant à des résultats plus cohérents.

Après avoir segmenté les données, ils ont standardisé chaque segment pour s'assurer qu'ils avaient tous la même longueur. C'était important parce que ça rendait les données plus faciles à introduire dans le modèle LSTM. Les segments ont aussi été ajustés pour s'inscrire dans une certaine plage afin d'améliorer la performance du modèle plus tard.

#Construction du modèle

Le modèle LSTM utilisé pour cette étude a été conçu avec plusieurs couches pour capturer des motifs complexes dans les vibrations du cœur. Le modèle prenait des infos des directions de droite à gauche et de la tête aux pieds puis essayait de prédire les vibrations dans la direction dorsoventral.

Les chercheurs ont divisé les données collectées en trois groupes : données d'entraînement, données de validation et données de test. Les données d'entraînement ont été utilisées pour apprendre au modèle comment faire des prédictions. Les données de validation ont aidé à vérifier la performance du modèle pendant l'entraînement, tandis que les données de test ont été utilisées pour voir à quel point le modèle fonctionnait bien après avoir été entraîné.

Pour améliorer la capacité du modèle à prédire correctement, les chercheurs ont utilisé des techniques pour éviter le surajustement, qui se produit quand un modèle apprend trop des données d'entraînement et ne performe pas bien sur de nouvelles données.

#Résultats

Après avoir entraîné et testé le modèle, les chercheurs ont vérifié à quel point les vibrations prédites dans la direction dorsoventral correspondaient aux vibrations mesurées réelles. Ils ont utilisé l'Erreur Quadratique Moyenne (MSE) comme mesure de précision. Les résultats ont montré que le modèle était capable de faire des prédictions qui s'alignaient de près avec les vibrations cardiaques réelles, ce qui suggère qu'il existe une relation significative entre les mouvements du cœur dans les trois directions.

L'étude a aussi fourni un moyen visuel de comprendre la performance du modèle, montrant comment les prédictions variaient entre les différents participants. Les preuves indiquaient que l'utilisation de seulement deux axes de données pouvait effectivement aider à reconstruire le troisième axe.

#Conclusion

Cette étude pilote met en avant le potentiel d'utiliser des modèles d'apprentissage profond, comme les réseaux LSTM, pour reconstruire les signaux de SCG en trois directions en utilisant des données de deux axes. Les résultats suggèrent que surveiller les vibrations cardiaques avec un accéléromètre à double axe pourrait fournir des infos précieuses pour évaluer la santé cardiovasculaire.

En faisant avancer les méthodes pour surveiller l'activité cardiaque sans procédures invasives, il y a de l'espoir pour une meilleure détection précoce des problèmes cardiaques. L'étude ouvre la voie à d'autres recherches sur l'utilisation de la SCG et des accéléromètres à double axe, conduisant finalement à de meilleurs outils pour les professionnels de la santé.

Avec les maladies cardiaques étant une cause majeure de décès, trouver des moyens efficaces de surveiller et détecter les problèmes potentiels peut avoir un impact significatif sur la santé globale des individus et de la société. Une exploration continue dans ce domaine pourrait ouvrir la voie à des méthodes de diagnostic améliorées et de meilleurs résultats pour les patients.