Assessing the Condition of the Vasculature Through Pulse Wave Analysis

Abstract

Sydän- ja verisuonitautien esiintyvyys on kasvussa. Lisäksi sydän- ja verisuonitaudit ovat maailman johtava kuolinsyy. Siksi on tärkeää arvioida verisuoniston kuntoa. Yksi mahdollinen keino on valtimopulssiaaltoanalyysi, jossa pulssiaallon muotoa analysoidaan. Nykyään yksi pulssiaaltojen intensiivisesti tutkittu ominaisuus on pulssiaallon etenemisnopeus, jota käytetään valtimoiden jäykistymisen ja vatsa-aortan aneurysman (AAA) tutkimiseen. Pulssiaallon kulkunopeus ei kuitenkaan kuvaa pulssiaallon muotoa. Pulssiaallon morfologiaa voidaan kuitenkin arvioida muilla suoraan pulssiaallosta lasketuilla piirteillä.

Tämän väitöstutkimuksen tavoitteena oli arvioida verisuoniston kuntoa piirteillä, jotka oli laskettu kajoamattomilla mittausmenetelmillä mitatuista signaaleista. Tämän saavuttamiseksi pulssiaaltopiirteistä tutkittiin niiden yhteyttä piilevän valtimonkovettumataudin markkereihin sekä sitä, voidaanko näiden piirteiden perusteella erottaa aneurysmapotilaat ja verrokit toisistaan. Lisäksi tutkittiin pulssin kulkuajan (PTT) arvojen muutoksia ajan myötä. Edellä mainittujen lisäksi tutkittiin pulssiaaltojen käsittelyä eri menetelmillä, jotta nähdään, kuinka eri tavoin esikäsitellyistä pulssiaalloista lasketut piirteet eroavat toisistaan ja kuinka piirteitä pitäisi laskea pulssiaalloista.

Tässä väitöskirjassa käytettiin kolmea aineistoa tutkimusotoksena: 1 853:a 30–45-vuotiasta, 29:ää vatsa-aortan aneurysmapotilasta ja 30:tä noin 70-vuotiasta verrokkia. Pulssiaaltopiirteet laskettiin kahdesta erityyppisestä signaalista: impedanssi- ja fotopletysmografiasignaaleista. Impedanssipletysmografiasignaalit mitattiin ranteista, nilkoista, polvesta ja pohkeesta, kun taas fotopletysmografiasignaalit mitattiin sormesta ja varpaasta. Pulssiaaltopiirteiden ja piilevän valtimonkovettumataudin markkereiden välistä yhteyttä tutkittiin monen selittäjän regressiomallilla. Pulssiaaltojen käsittelyä tutkittiin kolmella eri menetelmällä. Ensimmäinen menetelmä laski piirteet kaikista pulssiaalloista ja laski niistä mediaanipiirteet. Toisessa ja kolmannessa menetelmässä laskettiin ensin mediaanipulssiaalto kuutiosplinillä tai dynaamisella aikavää ristämisellä ja sitten laskettiin piirteet näistä mediaanipulssiaalloista. Kulkuaikojen välisiä eroja tutkittiin parametrittomilla tilastollisilla testeillä. Aneurysmapotilaat ja verrokit luokitteltiin lineaarisella diskriminanttianalyysillä (LDA).

Tulosten mukaan pulssiaaltopiirteillä on yhteys piilevän valtimonkovettumataudin markkereihin, jotka ovat intima-mediakerroksen paksuus, virtausvälitteinen vasodilaatio ja kaulavaltimon venyvyys. Lisäksi aneurysmapotilailla tehty tutkimus osoitti, että PTT muuttuu ajan myötä, kun näitä verrattiin ennen leikkausta mitattuihin arvoihin. Muutokset näkyvät selvemmin pulssiaallon huipusta lasketuista arvoista kuin pulssiaallon alkupisteestä mitatuissa arvoissa, mikä osoittaa, että alkupisteestä mittaaminen on luotettavampaa. Pulssiaaltopiirteet pystyvät myös erottamaan aneurysmapotilaat verrokeista kohtuullisella tarkkuudella yksinkertaisella LDA-luokittelijalla. Robustein tapa pulssiaaltojen käsittelyyn on laskea pulssiaaltopiirteet kaikista pulssiaalloista ja laskea näiden piirteiden mediaani verrattuna piirteiden laskemiseen mediaanipulssiaallosta.

Yhteenvetona voidaan todeta, että verisuoniston kuntoa, johon AAA ja piilevä valtimonkovettumatauti vaikuttavat, on mahdollista arvoida käyttämällä pulssiaaltopiirteitä, jotka on mitattu kajoamattomilla mittausmenetelmillä. Lisäksi pulssiaaltopiirteiden laskeminen kaikista pulssiaalloista on robustein keino pulssiaaltojen käsittelyyn.

The prevalence of cardiovascular diseases is increasing. Additionally, cardiovascular diseases are the leading cause of death worldwide. Therefore, it is necessary to assess the condition of the vasculature. One possible method is to use arterial pulse wave analysis, in which the pulse wave morphology is analyzed. Currently, one pulse wave feature that is intensively studied is pulse wave velocity, which is used to study arterial stiffening and an abdominal aortic aneurysms (AAA). However, PWV does not describe pulse wave morphology. Pulse wave morphology can be assessed with other features calculated directly from the pulse wave.

The aim of this thesis was to assess the condition of the vasculature by using features calculated from signals measured with non-invasive measurement methods. To achieve this goal, the association between pulse wave features and markers of subclinical atherosclerosis was examined, in addition to investigating whether AAA patients can be distinguished from control subjects using pulse wave features. In addition, pulse transit time (PTT) values and their changes over time were studied. A further objective was to investigate the processing of pulse waves with various methods to examine whether they yield differences between calculated features. This was done to provide information on how the features should be calculated from the pulse waves.

This thesis used three datasets as study samples: 1,853 test participants aged 30–45 years, 29 test participants with an AAA, and 30 approximately 70-year-old control subjects. Pulse wave features were calculated from two different types of signals: impedance plethysmographic and photoplethysmographic signals. Impedance plethysmographic signals were measured from the wrists, ankles, knee, and calf, whereas photoplethysmographic signals were measured from the finger and toe. To study the association of pulse wave features with markers of subclinical atherosclerosis, multivariable linear regression was used. The processing of pulse waves was studied by three different methods. One method calculated features from all pulse waves then calculated the medians of these values. The second and third methods calculated the median pulse wave with cubic spline or dynamic time warping, respectively, and calculated features from these median pulse waves. Non-parametric statistical tests were used to analyze the changes in PTTs over time. The classification between AAA patients and control subjects was performed with linear discriminant analysis (LDA).

According to the results, pulse wave features are associated with markers of sub-clinical atherosclerosis, which are intima-media thickness, flow-mediated dilation and carotid artery distensibility. In addition, a study with AAA patients showed that the PTT changes over time, when these values were compared to values measured before surgery. The changes are more pronounced in the values calculated from the peak of the pulse wave than in the values measured from the foot of the pulse wave, thus indicating that using the foot point is more reliable, as the shape of the pulse wave changes after the surgery. Pulse wave features are also capable of distinguishing AAA patients from controls with moderate accuracy with a simple LDA classifier. The most robust method for processing the pulse wave is to calculate the features from all selected pulse waves, then calculate the median from these features compared to first calculating the median pulse wave, followed by calculating features from this median pulse wave.

In conclusion, assessing a vascular condition such as an AAA and subclinical atherosclerosis is possible using pulse wave features calculated from non-invasive measurement methods. In addition, calculating features with all pulse waves is the most robust method for processing the pulse waves.