Metodi non lineari per l'analisi dei suoni polmonari ... - Ingegneria
Metodi non lineari per l'analisi dei suoni polmonari ... - Ingegneria
Metodi non lineari per l'analisi dei suoni polmonari ... - Ingegneria
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Università degli Studi di Siena<br />
Facoltà di <strong>Ingegneria</strong><br />
Corso di Laurea Magistrale in <strong>Ingegneria</strong> Gestionale<br />
<strong>Metodi</strong> <strong>non</strong> <strong>lineari</strong> <strong>per</strong> l’analisi <strong>dei</strong><br />
<strong>suoni</strong> <strong>polmonari</strong> nella diagnosi delle<br />
malattie respiratorie<br />
Relatore<br />
Chiar.ma Prof. Chiara Mocenni<br />
Correlatori Tesi di laurea di<br />
Dr. Angelo Facchini Alessio Lenzini<br />
Dott. Marcello Rossi<br />
A.A. 2011/2012
“Alla mia famiglia che da sempre mi sostiene e a Daniele che da adesso in<br />
i<br />
poi mi guiderà dall’alto”.<br />
i
Indice<br />
Introduzione 1<br />
1 Fisiologia e <strong>suoni</strong> del polmone 6<br />
1.1 Apparato respiratorio . . . . . . . . . . . . . . . . . . . . . . . 6<br />
1.2 Fisiologia respiratoria . . . . . . . . . . . . . . . . . . . . . . . 9<br />
1.2.1 Compliance polmonare . . . . . . . . . . . . . . . . . . 11<br />
1.3 Patologie principali . . . . . . . . . . . . . . . . . . . . . . . . 11<br />
1.3.1 L’asma . . . . . . . . . . . . . . . . . . . . . . . . . . . 11<br />
1.3.2 La polmonite . . . . . . . . . . . . . . . . . . . . . . . 12<br />
1.3.3 La fibrosi . . . . . . . . . . . . . . . . . . . . . . . . . 12<br />
1.3.4 La BPCO (Bronco Pneumopatia Cronica Ostruttiva) . 13<br />
1.3.5 L’enfisema polmonare . . . . . . . . . . . . . . . . . . . 14<br />
1.3.6 Le bronchiectasie . . . . . . . . . . . . . . . . . . . . . 14<br />
1.4 Suoni <strong>polmonari</strong> e prove di funzionalità respiratoria . . . . . . 14<br />
1.5 Suoni patologici . . . . . . . . . . . . . . . . . . . . . . . . . . 17<br />
2 Dinamiche complesse e RQA 19<br />
2.1 Dinamica <strong>non</strong> lineare e caos deterministico . . . . . . . . . . . 19<br />
2.2 Embedding . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24<br />
2.3 Le ricorrenze nelle serie storiche <strong>non</strong> <strong>lineari</strong> . . . . . . . . . . . 25<br />
2.4 Recurrence Plots (RPs) . . . . . . . . . . . . . . . . . . . . . . 27<br />
2.5 Analisi RQA . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29<br />
i
INDICE ii<br />
3 Pre-processing e analisi preliminari 31<br />
3.1 Organizzazione <strong>dei</strong> dati . . . . . . . . . . . . . . . . . . . . . . 31<br />
3.2 Suddivisione <strong>dei</strong> respiri . . . . . . . . . . . . . . . . . . . . . . 35<br />
3.3 Esempi di segnali . . . . . . . . . . . . . . . . . . . . . . . . . 37<br />
3.4 Tecniche tradizionali . . . . . . . . . . . . . . . . . . . . . . . 45<br />
3.4.1 Analisi in frequenza . . . . . . . . . . . . . . . . . . . . 46<br />
4 Risultati 49<br />
4.1 Misure RQA . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49<br />
4.2 Le serie storiche analizzate . . . . . . . . . . . . . . . . . . . . 50<br />
4.2.1 Fibrosi . . . . . . . . . . . . . . . . . . . . . . . . . . . 51<br />
4.2.2 Asma . . . . . . . . . . . . . . . . . . . . . . . . . . . 69<br />
4.2.3 Polmonite . . . . . . . . . . . . . . . . . . . . . . . . . 73<br />
4.2.4 Enfisema . . . . . . . . . . . . . . . . . . . . . . . . . . 76<br />
4.2.5 BPCO . . . . . . . . . . . . . . . . . . . . . . . . . . . 78<br />
4.2.6 Bronchiectasie . . . . . . . . . . . . . . . . . . . . . . . 80<br />
4.2.7 Soggetto sano . . . . . . . . . . . . . . . . . . . . . . . 85<br />
4.3 Considerazioni riassuntive . . . . . . . . . . . . . . . . . . . . 86<br />
5 Conclusioni e sviluppi futuri 90<br />
Bibliografia 92<br />
ii
Elenco delle figure<br />
1 Principali fattori che provocano la BPCO . . . . . . . . . . . . 1<br />
2 Diffusione della BPCO in Europa . . . . . . . . . . . . . . . . 2<br />
3 Valori registrati da ottobre 2010 a marzo 2011 . . . . . . . . . 3<br />
1.1 I bronchi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7<br />
1.2 Albero bronchiale: BR=bronchi; BL=bronchioli; BLT=bronchioli<br />
terminali; BLR=bronchioli respiratori; DA=dotti alveolari;<br />
SA=sacchi alveolari . . . . . . . . . . . . . . . . . . . . . . . . 8<br />
1.3 Esempio di radiografia di polmonite destra . . . . . . . . . . . 16<br />
1.4 Paziente affetto da fibrosi . . . . . . . . . . . . . . . . . . . . 18<br />
1.5 Paziente affetto da BPCO . . . . . . . . . . . . . . . . . . . . 18<br />
1.6 Paziente affetto da enfisema . . . . . . . . . . . . . . . . . . . 18<br />
2.1 Attrattore di Lorenz . . . . . . . . . . . . . . . . . . . . . . . 22<br />
2.2 Esempi di RPs: (a)(b) rumore bianco; (c)(d) segnale <strong>per</strong>iodi-<br />
co; (e)(f) componente x(t) del sistema di Lorenz . . . . . . . . 28<br />
3.1 Esempio di suono polmonare di un paziente affetto da fibrosi . 32<br />
3.2 Esempio di suono polmonare di un paziente affetto da asma . 32<br />
3.3 Esempio di flusso respiratorio di un paziente affetto da fibrosi 34<br />
3.4 Esempio di flusso respiratorio di un paziente affetto da asma . 35<br />
3.5 Esempio di smoothing di un segnale . . . . . . . . . . . . . . . 36<br />
3.6 Divisione del segnale a partire dal flusso respiratorio smooth . 36<br />
iii
ELENCO DELLE FIGURE iv<br />
3.7 Esempio di divisione di un segnale . . . . . . . . . . . . . . . . 37<br />
3.8 Relazioni - Eur Respir Rev 2000 . . . . . . . . . . . . . . . . . 38<br />
3.9 Classificazione internazionale <strong>suoni</strong> <strong>polmonari</strong> - fonte CHEST 39<br />
3.10 Crackles (1) - fonte Murphy . . . . . . . . . . . . . . . . . . . 40<br />
3.11 Crackles (2) - fonte Murphy . . . . . . . . . . . . . . . . . . . 41<br />
3.12 Esempio di un segnale di un paziente affetto da fibrosi . . . . 42<br />
3.13 Esempio di un segnale di un paziente affetto da polmonite . . 42<br />
3.14 Esempio di un segnale di un paziente affetto da asma . . . . . 42<br />
3.15 Esempio di un segnale di un paziente affetto da enfisema . . . 43<br />
3.16 Esempio di un segnale di un paziente affetto da bronchiectasie 43<br />
3.17 Esempio di un segnale di un paziente affetto da BPCO . . . . 44<br />
3.18 Esempio di un segnale di un soggetto sano . . . . . . . . . . . 44<br />
3.19 Esempio di analisi in frequenza relativa a tre cicli respiratori<br />
di un paziente affetto da fibrosi . . . . . . . . . . . . . . . . . 47<br />
3.20 Esempio di analisi in frequenza relativa a tre cicli respiratori<br />
di un paziente affetto da asma . . . . . . . . . . . . . . . . . . 47<br />
4.1 Scorrimento della finestra temporale . . . . . . . . . . . . . . . 51<br />
4.2 Misure RQA delle patologie analizzate . . . . . . . . . . . . . 52<br />
4.3 Misure RQA <strong>dei</strong> pazienti affetti da fibrosi . . . . . . . . . . . . 52<br />
4.4 Andamento del determinismo nel tempo <strong>per</strong> ogni inspirazione<br />
di uno stesso paziente (affetto da fibrosi) . . . . . . . . . . . . 53<br />
4.5 Andamento dell’entropia nel tempo <strong>per</strong> ogni inspirazione di<br />
uno stesso paziente (affetto da fibrosi) . . . . . . . . . . . . . . 54<br />
4.6 Analisi del paziente #1 affetto da fibrosi . . . . . . . . . . . . 55<br />
4.7 Analisi del paziente #2 affetto da fibrosi . . . . . . . . . . . . 56<br />
4.8 Confronto tra pazienti affetti da fibrosi e soggetto sano . . . . 57<br />
4.9 Analisi del paziente #3 affetto da fibrosi . . . . . . . . . . . . 58<br />
4.10 Analisi del paziente #3 affetto da fibrosi . . . . . . . . . . . . 59<br />
iv
ELENCO DELLE FIGURE v<br />
4.11 Confronto delle misure relative all’analisi “completa” e “par-<br />
ziale” del paziente #3 affetto da fibrosi . . . . . . . . . . . . . 60<br />
4.12 Analisi “parziale” del paziente #3 affetto da fibrosi . . . . . . 61<br />
4.13 Analisi del paziente #4 affetto da fibrosi . . . . . . . . . . . . 62<br />
4.14 Analisi “new” del paziente #4 affetto da fibrosi . . . . . . . . 64<br />
4.15 Confronto del DETERMINISMO “old” e “new” del paziente<br />
#4 affetto da fibrosi . . . . . . . . . . . . . . . . . . . . . . . 65<br />
4.16 Confronto dell’ENTROPIA “old” e “new” del paziente #4<br />
affetto da fibrosi . . . . . . . . . . . . . . . . . . . . . . . . . . 65<br />
4.17 Analisi del paziente #5 affetto da fibrosi . . . . . . . . . . . . 66<br />
4.18 Analisi del paziente #6 affetto da fibrosi . . . . . . . . . . . . 67<br />
4.19 Cluster presenti all’interno della classe fibrosi . . . . . . . . . 68<br />
4.20 Suono polmonare, andamento del determinismo e dell’entropia<br />
nel tempo <strong>dei</strong> pazienti asmatici . . . . . . . . . . . . . . . . . 70<br />
4.21 Pazienti affetti da asma . . . . . . . . . . . . . . . . . . . . . . 71<br />
4.22 Confronto fra soggetto sano e pazienti affetti da asma . . . . . 72<br />
4.23 Analisi del paziente #1 affetto da alveolite allergica estrinseca<br />
(polmonite da i<strong>per</strong>sensibilità) . . . . . . . . . . . . . . . . . . 74<br />
4.24 Analisi del paziente #2 affetto da polmonite batterica . . . . . 75<br />
4.25 Confronto tra polmonite da i<strong>per</strong>sensibilità e batterica . . . . . 76<br />
4.26 Analisi del paziente affetto da enfisema . . . . . . . . . . . . . 77<br />
4.27 Suono polmonare, andamento del determinismo e dell’entropia<br />
nel tempo <strong>dei</strong> pazienti affetti da BPCO . . . . . . . . . . . . . 79<br />
4.28 Confronto fra patologie: asma e BPCO . . . . . . . . . . . . . 79<br />
4.29 Pazienti affetti da bronchiectasie . . . . . . . . . . . . . . . . . 81<br />
4.30 Analisi del paziente #1 affetto da bronchiectasie . . . . . . . . 82<br />
4.31 Analisi del paziente #2 affetto da bronchiectasie . . . . . . . . 83<br />
4.32 Analisi del paziente #3 affetto da bronchiectasie . . . . . . . . 84<br />
4.33 Analisi del soggetto sano . . . . . . . . . . . . . . . . . . . . . 85<br />
v
ELENCO DELLE FIGURE vi<br />
4.34 Disposizione <strong>dei</strong> pazienti in base alle alterazioni <strong>polmonari</strong> . . 86<br />
4.35 Discriminazione patologica . . . . . . . . . . . . . . . . . . . . 87<br />
4.36 Discriminazione patologica in 3D . . . . . . . . . . . . . . . . 88<br />
vi
Introduzione<br />
Il presente lavoro di tesi è la conclusione di una ricerca che ha riguardato lo<br />
studio <strong>dei</strong> <strong>suoni</strong> <strong>polmonari</strong> attraverso l’analisi delle ricorrenze, con lo scopo<br />
di fornire una prima diagnosi sullo stato di salute del paziente sottoposto a<br />
controllo. L’approccio utilizzato, che prende spunto dall’ampia letteratura<br />
disponibile sulle serie storiche <strong>non</strong> <strong>lineari</strong>, è innovativo rispetto alla maggior<br />
parte delle metodologie tradizionali utilizzate <strong>per</strong> l’analisi di tali segnali.<br />
Molte patologie respiratorie, tra cui asma, fibrosi ed enfisema, sono correlate<br />
all’inalazione del fumo di sigaretta, delle polveri sottili e <strong>dei</strong> gas di scarico.<br />
Figura 1: Principali fattori che provocano la BPCO<br />
1
ELENCO DELLE FIGURE 2<br />
Gli stessi fattori sono i principali responsabili della Bronco Pneumopatia<br />
Cronica Ostruttiva (BPCO o COPD) come riportato in figura 1. La distribu-<br />
zione della prevalenza della BPCO in Europa è illustrata in figura 2 e l’Italia<br />
risulta essere una delle nazioni più colpite [5].<br />
Figura 2: Diffusione della BPCO in Europa<br />
In molti articoli di recente pubblicazione si è visto che negli ultimi anni<br />
sono più che triplicate le <strong>per</strong>sone ricoverate <strong>per</strong> malattie legate a problemi<br />
respiratori e <strong>polmonari</strong> [18]. Altri studi [3] confermano che l’eccessiva conta-<br />
minazione dell’aria influisce drasticamente sullo stato di salute e mostrano,<br />
tramite l’installazione di centraline ai lati della carreggiata autostradale, che<br />
i valori registrati su<strong>per</strong>ano di gran lunga le soglie imposte <strong>per</strong> legge (come è<br />
possibile osservare in figura 3).<br />
2
ELENCO DELLE FIGURE 3<br />
Figura 3: Valori registrati da ottobre 2010 a marzo 2011<br />
In risposta ai problemi legati all’inquinamento sono stati stanziati, alla<br />
fine del 2011, 31 milioni di euro e l’Unione Europea ha previsto un ulteriore<br />
aumento <strong>per</strong> finanziare il prossimo programma di ricerca sullo studio delle<br />
malattie <strong>polmonari</strong>. Da recenti pubblicazioni è infatti emerso che la <strong>per</strong>-<br />
centuale <strong>dei</strong> soggetti affetti da malattie <strong>polmonari</strong> è cresciuta drasticamente<br />
e, nel 2020, rappresenterà la terza causa di morte nei paesi a medio reddito<br />
dopo le malattie cardiovascolari (ischemia e infarto) 1 . In un’alta <strong>per</strong>centuale<br />
di pazienti (40-60%) la diagnosi viene posta in ritardo con il rischio di <strong>non</strong><br />
poter intervenire con cure adeguate e facendo lievitare i costi nelle strutture<br />
sanitarie.<br />
La metodologia proposta in questo lavoro ha il delicato obiettivo di svilup-<br />
pare un’analisi discriminatoria fra le varie tipologie di malattie e fornire una<br />
prima diagnosi in tempo reale. In particolare, sono state prese in esame<br />
1 Secondo i dati dell’Organizzazione Mondiale della Sanità (OMS).<br />
3
ELENCO DELLE FIGURE 4<br />
diverse serie temporali relative a pazienti affetti da patologie differenti, e si<br />
è cercato di scoprire le peculiarità delle malattie attraverso la Recurrence<br />
Quantification Analysis.<br />
La Recurrence Quantification Analysis è una metodologia che è stata uti-<br />
lizzata in svariati ambiti, dalla meteorologia alla fisiologia [30], e si basa<br />
sull’osservazione delle ricorrenze all’interno della serie (come i Recurrence<br />
Plots) e sull’analisi delle misure RQA. Solitamente viene usata <strong>per</strong> lo studio<br />
<strong>dei</strong> sistemi dinamici complessi e <strong>per</strong> tutti quei fenomeni che <strong>non</strong> presentano<br />
strutture predefinite e che sono caratterizzati da dinamiche estremamente<br />
irregolari. Spesso questa metodologia riesce dove gli approcci tradizionali,<br />
quali l’applicazione di modelli <strong>lineari</strong>, falliscono.<br />
Struttura della tesi<br />
Di seguito si riporta la struttura della tesi.<br />
Nel Capitolo 1 si introducono le caratteristiche principali delle patologie<br />
analizzate e si illustrano le metodologie classiche <strong>per</strong> lo studio <strong>dei</strong> <strong>suoni</strong> pol-<br />
monari. Vengono inoltre presentate le nozioni di base della fisiologia respira-<br />
toria.<br />
Nel Capitolo 2 si descrivono le metodologie utilizzate <strong>per</strong> l’analisi <strong>dei</strong> suo-<br />
ni <strong>polmonari</strong> e le misure coinvolte <strong>per</strong> la comprensione <strong>dei</strong> sistemi dinamici<br />
complessi.<br />
Nel Capitolo 3 viene spiegato come sono stati acquisiti, elaborati e strut-<br />
turati i dati. Si presentano i <strong>suoni</strong> <strong>polmonari</strong> di ogni patologia rilevata e si<br />
affrontano gli studi preliminari attraverso le tecniche tradizionali.<br />
4
ELENCO DELLE FIGURE 5<br />
Nel Capitolo 4 vengono mostrate le misure RQA e i risultati ottenuti dal-<br />
l’analisi.<br />
Infine, alcune prospettive future vengono considerate nel Capitolo 5.<br />
5
Capitolo 1<br />
Fisiologia e <strong>suoni</strong> del polmone<br />
1.1 Apparato respiratorio<br />
L’apparato respiratorio è costituito dall’albero bronchiale, dal circolo<br />
polmonare e dalla membrana alveolo-capillare [23]. Ciascuno di essi<br />
svolge funzioni distinte rispettivamente denominate ventilazione, <strong>per</strong>fusione,<br />
diffusione e, nel loro insieme, costituiscono l’ematosi che ha il fine ultimo di<br />
ossigenare il sangue ed espellere l’anidride carbonica. Lo scambio gassoso tra<br />
l’ambiente esterno e l’organismo è essenziale <strong>per</strong> la respirazione ed è garan-<br />
tita dalla complessità dell’anatomia umana. Di seguito, in estrema sintesi,<br />
si riporta una breve descrizione delle particolari strutture anatomiche coin-<br />
volte. L’albero bronchiale, responsabile della ventilazione, è costituito da<br />
due zone:<br />
1. Il sistema delle vie aeree di conduzione<br />
2. La zona alveolare o respiratoria<br />
Il sistema delle vie aeree di conduzione inizia con la trachea, la quale si<br />
divide inizialmente in due bronchi principali e successivamente dà origine ai<br />
vari rami lobari. Come un albero, questi vanno a diramarsi in bronchi di<br />
6
1.1. APPARATO RESPIRATORIO 7<br />
calibro sempre più piccolo fino a raggiungere i bronchioli terminali (figura<br />
1.1)[16]. Questa sezione viene identificata in anatomia come “spazio morto”,<br />
in quanto <strong>non</strong> avviene alcuno scambio gassoso ma si ha il solo trasporto di<br />
aria.<br />
Figura 1.1: I bronchi<br />
La zona alveolare o respiratoria ha il suo inizio con i bronchioli respiratori,<br />
prosegue con i dotti alveolari e termina con gli alveoli, piccole sacche ripiene<br />
d’aria situate all’estremità dell’albero bronchiale. L’albero respiratorio è co-<br />
stituito da 23 ordini di suddivisioni bronchiali dove i primi rappresentano la<br />
zona di conduzione mentre gli altri fanno parte della zona respiratoria, come<br />
si vede in figura 1.2<br />
Il circolo polmonare assicura la <strong>per</strong>fusione e inizia con l’arteria polmo-<br />
nare che va a ramificarsi fino a formare i capillari <strong>polmonari</strong>. Questi, essendo<br />
a stretto contatto con gli alveoli, <strong>per</strong>mettono lo scambio gassoso. Quest’ulti-<br />
ma zona viene denominata membrana alveolo-capillare responsabile della<br />
diffusione. Qui vi confluisce il sangue venoso misto proveniente dal ventricolo<br />
7
1.1. APPARATO RESPIRATORIO 8<br />
Figura 1.2: Albero bronchiale: BR=bronchi; BL=bronchioli;<br />
BLT=bronchioli terminali; BLR=bronchioli respiratori; DA=dotti alveolari;<br />
SA=sacchi alveolari<br />
8
1.2. FISIOLOGIA RESPIRATORIA 9<br />
destro, il quale, una volta arricchitosi di ossigeno, ritorna all’atrio e ventri-<br />
colo sinistro <strong>per</strong> andare a distribuire l’ossigeno a tutti i tessuti. La capacità<br />
di diffusione può essere misurata e rappresenta la capacità di trasferire l’os-<br />
sigeno captato dall’ambiente esterno al sangue. Il processo, tramite feedback,<br />
viene tenuto sotto controllo dai chemocettori che inviano informazioni al cen-<br />
tro respiratorio riguardanti lo stato di ossigenazione e <strong>dei</strong> livelli di anidride<br />
carbonica. I polmoni hanno un sistema di sostegno chiamato interstizio pol-<br />
monare costituito da tessuto connettivo ed elastico, e sono rivestiti da un<br />
doppio foglietto sieroso distinto in pleura viscerale, aderente ai polmoni, e<br />
pleura parietale relativa alla gabbia toracica. I polmoni, il cuore e i grossi<br />
vasi sono racchiusi all’interno della gabbia toracica che è formata da una<br />
parte osteo-cartilaginea, come lo sterno, le coste e la colonna vertebrale, e da<br />
una parte muscolare quale il diaframma e i muscoli intercostali.<br />
1.2 Fisiologia respiratoria<br />
Le maggiori strutture coinvolte nello svolgimento della funzione respiratoria<br />
sono le vie aeree su<strong>per</strong>iori ovvero naso, bocca, faringe e laringe, l’albero bron-<br />
chiale, i polmoni e la gabbia toracica. Il centro respiratorio attraverso i nervi<br />
<strong>per</strong>iferici invia degli impulsi in grado di stimolare i muscoli respiratori. Il<br />
risultato è una contrazione che va a modificare ciclicamente l’ampiezza della<br />
gabbia toracica e <strong>dei</strong> polmoni <strong>per</strong>mettendo così l’ingresso e l’uscita dell’aria.<br />
Si viene a creare, infatti, una differenza di pressione tra l’ambiente esterno e<br />
il sistema tracheobronchiale che induce l’atto inspiratorio ed espiratorio. Du-<br />
rante l’inspirazione la contrazione del diaframma si abbassa verso l’addome e<br />
i muscoli intercostali sollevano le coste consentendo al torace di espandersi: si<br />
verifica in questo modo un aumento del volume con conseguente diminuzione<br />
di pressione. L’aria così può facilmente entrare fino ad una condizione di<br />
pareggio, in corrispondenza della quale si ha la fine dell’inspirazione e il prin-<br />
9
1.2. FISIOLOGIA RESPIRATORIA 10<br />
cipio dell’espirazione. Durante l’espirazione si ha il passaggio inverso, ovvero<br />
l’espulsione dell’aria verso l’esterno ed una riduzione del volume polmonare<br />
dove, al suo termine, la pressione alveolare ritornerà a livello atmosferico.<br />
La fase inspiratoria, generalmente, risulta essere leggermente più breve di<br />
quella espiratoria. La funzione di ventilazione viene garantita dai muscoli<br />
della parete toracica che svolgono un lavoro analogo a quello di una pompa.<br />
Questi muscoli dovrebbero intervenire solo durante l’inspirazione in quanto<br />
in soggetti normali la fase espiratoria si realizza passivamente. Il polmone,<br />
infatti, avendo una struttura elastica, una volta disteso al termine dell’inspi-<br />
razione tende a ritornare autonomamente alla posizione di partenza nel corso<br />
dell’espirazione. Alla fine dell’espirazione il sistema toraco-polmonare si dice<br />
all’equilibrio, o in condizione di riposo, dove la forza elastica del polmone<br />
tende a retrarsi e quella della gabbia toracica ad espandersi. In condizioni<br />
patologiche l’anatomia del polomone può andare a modificarsi e questo va a<br />
ri<strong>per</strong>cuotersi sui muscoli respiratori, che devono svolgere un lavoro ulteriore<br />
<strong>per</strong> facilitare lo svuotamento polmonare. Deficit di tipo ostruttivo sono carat-<br />
teristici dell’asma, della BPCO (Bronco Pneumopatia Cronica Ostruttiva)<br />
e dell’enfisema, mentre deficit di tipo restrittivo sono propri della fibro-<br />
si e delle interstiziopatie <strong>polmonari</strong>. Un terzo fattore che può andare<br />
a condizionare il lavoro respiratorio è la possibile presenza di una pressione<br />
positiva alla fine dell’espirazione. Questa prende il nome di PEEP intrin-<br />
seca e in soggetti normali è praticamente uguale a zero mentre in soggetti<br />
patologici lo svuotamento del polmone è incompleto e i muscoli respiratori<br />
devono svolgere un lavoro aggiuntivo, <strong>non</strong> utile ai fini ventilatori, necessario<br />
<strong>per</strong> riportare la pressione alveolare ai valori nominali subatmosferici affinché<br />
possa iniziare un nuovo flusso aereo. In condizioni normali, infatti, i muscoli<br />
respiratori devono svolgere lavoro solo durante l’atto inspiratorio <strong>per</strong> contra-<br />
stare la forza resistiva naturalmente indotta dalla dimensione del diametro<br />
<strong>dei</strong> rami bronchiali (più sono piccoli e più sarà presente un’opposizione al<br />
10
1.3. PATOLOGIE PRINCIPALI 11<br />
flusso aereo), e la forza elastica della compliance toraco-polmonare.<br />
1.2.1 Compliance polmonare<br />
Si definisce Compliance Polmonare la variazione di volume polmonare su<br />
unità di gradiente pressorio di ritorno elastico. Tale rapporto viene espres-<br />
so solitamente in litri, o millilitri, e in pratica esprime quanto il tessuto si<br />
lascia distendere dalla pressione; una struttura elastica, quindi, è dotata di<br />
una compliance elevata, mentre una rigida ne dispone di una bassa. L’inde-<br />
bolimento <strong>dei</strong> muscoli respiratori, la calcificazione delle cartilagini e l’artrosi<br />
delle articolarizioni intercostali sono fenomeni che si presentano con l’avan-<br />
zare negli anni. Nel loro insieme, <strong>per</strong>ò, essi mantengono pressoché inalterata<br />
la compliance. Infatti, se da una parte l’irrigidimento della parete toracica<br />
ne diminuisce il valore, dall’altra la <strong>per</strong>dita di ritorno elastico del tessuto<br />
polmonare lo incrementa. Il bilanciamento naturale risultante <strong>non</strong> crea par-<br />
ticolari problemi se <strong>non</strong> la riduzione delle vie aeree. In presenza di malattie<br />
<strong>polmonari</strong>, invece, si ha una vera e propria alterazione della conformazione<br />
polmonare: nell’enfisema si crea un generale aumento della compliance (quin-<br />
di facile distensione del polmone), mentre patologie come fibrosi ed edema<br />
interstiziale ne comportano una riduzione a causa di una eccessiva rigidità<br />
derivante dalla cicatrizzazione di tessuto.<br />
1.3 Patologie principali<br />
1.3.1 L’asma<br />
L’asma è provocata da un’eccessiva reazione immunitaria da parte del polmo-<br />
ne. Nel paziente si verifica un’infiammazione <strong>dei</strong> bronchi ed episodi di respiro<br />
sibilante e fischiante. Colpisce il 5% degli italiani e i prodromi che si mani-<br />
festano, con intensità differente e in fasi alterne a seconda del soggetto, sono<br />
11
1.3. PATOLOGIE PRINCIPALI 12<br />
difficoltà respiratorie, tosse e un senso di costrizione toracica. Importante<br />
è <strong>non</strong> sottovalutarne i sintomi, le cure esistono e una diagnosi precoce può<br />
consentire al paziente una vita assolutamente normale, mentre se trascurata<br />
l’asma può sfociare in riacutizzazioni anche gravi.<br />
1.3.2 La polmonite<br />
La polmonite coinvolge i polmoni e il sistema respiratorio. Gli alveoli polmo-<br />
nari si infiammano, si riempiono di liquido e nel caso in cui questa infiamma-<br />
zione si estenda anche ai bronchi si parla di broncopolmonite. Distinguiamo<br />
la polmonite lobare se la malattia coinvolge un solo lobo del polmone e la pol-<br />
monite bilaterale nel caso li comprometta entrambi. Normalmente la causa<br />
è batterica: inizialmente si hanno i sintomi del raffreddore, seguiti da febbre<br />
alta, tosse e presenza di un acuto dolore toracico. Esiste poi un’altra tipo-<br />
logia di polmonite, causata da i<strong>per</strong>sensibilità. Questa malattia, nota anche<br />
sotto il nome di alveolite allergica, è causata da una prolungata esposizione<br />
a polveri organiche e ai relativi antigeni 1 come funghi, prodotti batterici e<br />
proteine animali.<br />
1.3.3 La fibrosi<br />
Il paziente affetto da fibrosi accusa una sensazione di difficoltà respiratoria<br />
spesso accompagnata da tosse secca. L’evoluzione della patologia dipende<br />
dalla causa scatenante e ad oggi sono state individuate oltre 150 cause possi-<br />
bili. La fibrosi acuta, nota anche come sindrome di Hamman-Rich, presenta<br />
un’evoluzione più rapida rispetto a quella cronica ed esordisce con febbre,<br />
seguita da tosse e dispnea. Successivamente, a seguito della cicatrizzazione<br />
1 Un antigene è una molecola riconosciuta dal sistema immunitario come estranea o<br />
potenzilmente <strong>per</strong>icolosa. Significa antibody generator, ovvero generatore di anticorpi in<br />
quanto il sistema immunitario innesca, come meccanismo di difesa, una produzione di<br />
anticorpi <strong>per</strong> neutralizzarla.<br />
12
1.3. PATOLOGIE PRINCIPALI 13<br />
del tessuto polmonare, si ha un aumento della frequenza degli atti respi-<br />
ratori anche a seguito di piccoli sforzi quotidiani. Una grande quantità di<br />
fibre di collagene altera le pareti degli alveoli riducendone l’efficienza; que-<br />
sta abnorme produzione di tessuto cicatriziale nel polmone può portare ad<br />
una progressiva <strong>per</strong>dita di elasticità e ad una insufficienza respiratoria. La<br />
fibrosi viene classificata a seconda se sono note o meno le cause scatenanti:<br />
distinguiamo la fibrosi secondaria se l’origine è conosciuta altrimenti la iden-<br />
tifichiamo come primitiva. La fibrosi secondaria è causata dall’inalazione di<br />
polveri inorganiche (silicosi, asbestosi), o di polveri organiche (polmoniti da<br />
i<strong>per</strong>sensibilità). La fibrosi primitiva detta anche idiopatica (FPI) o alveolite<br />
sclerosante intrinseca è di origine sconosciuta. Generalmente la malattia si<br />
presenta tra i 50 e i 60 anni senza apparenti cause scatenanti. La FPI provoca<br />
una minore capacità respiratoria caratterizzata dalla riduzione del volume sia<br />
dell’aria mobilizzabile (capacità vitale) che dell’aria residua (volume residuo)<br />
a fine espirazione. Gli scambi gassosi tra gli alveoli e il sangue risultano più<br />
difficoltosi riducendo la quantità di ossigeno scambiata e, nelle fasi avanzate,<br />
aumentando la ritenzione di anidride carbonica.<br />
1.3.4 La BPCO (Bronco Pneumopatia Cronica Ostrut-<br />
tiva)<br />
Negli ultimi decenni la BPCO è risultata in costante aumento assumendo il<br />
ruolo di malattia sociale. A differenza della fibrosi o dell’asma, la causa prin-<br />
cipale della BPCO è l’inalazione del fumo delle sigarette: la maggior parte <strong>dei</strong><br />
pazienti infatti è o è stato un fumatore. La malattia si presenta solitamen-<br />
te in soggetti con età maggiore di 50 anni ed è caratterizzata dall’eccessiva<br />
produzione di muco che ostacola il normale flusso aereo. I sintomi sono la<br />
presenza di una tosse cronica, dispnea, escreato e <strong>per</strong>dita irreversibile della<br />
funzione respiratoria e la progressione della patologia porta alla distruzione<br />
13
1.4. SUONI POLMONARI E PROVE DI FUNZIONALIT À<br />
RESPIRATORIA 14<br />
<strong>dei</strong> setti alveolari (enfisema).<br />
1.3.5 L’enfisema polmonare<br />
L’enfisema polmonare è caratterizzata dalla distruzione <strong>dei</strong> setti alveolari e<br />
del letto vascolare oltre che dalla <strong>per</strong>dita di ritorno elastico: tutte queste<br />
alterazioni sono alla base di patologico scambio gassoso. Tra le cause princi-<br />
pali troviamo il fumo e le sostanze inquinanti presenti nell’aria e la malattia<br />
può causare i<strong>per</strong>tensione polmonare e cambiamenti nella struttura del cuore<br />
andando ad ingrossarne la parte destra (cuor polmonare cronico).<br />
1.3.6 Le bronchiectasie<br />
Le bronchiectasie sono dilatazioni <strong>dei</strong> bronchi nelle quali si accumulano se-<br />
crezioni che <strong>non</strong> possono essere espulse naturalmente. I sintomi sono tosse<br />
cronica e difficoltà di respiro, associati ad un abbondante espettorazione di<br />
muco.<br />
1.4 Suoni <strong>polmonari</strong> e prove di funzionalità<br />
respiratoria<br />
Il suono polmonare racchiude una elevata quantità informativa che, se bene<br />
estrapolata e saputa analizzare, può essere utilizzata <strong>per</strong> descrivere in ma-<br />
niera accurata lo stato di salute del paziente indirizzando, in certi casi, ad<br />
accertamenti più mirati. Gli strumenti tradizionali utilizzati <strong>per</strong> lo studio<br />
della funzione respiratoria sono:<br />
1. lo stetoscopio<br />
2. lo spirometro<br />
14
1.4. SUONI POLMONARI E PROVE DI FUNZIONALIT À<br />
RESPIRATORIA 15<br />
3. la pletismografia corporea.<br />
Lo stetoscopio è uno strumento tubolare (stethos=petto e skopia=guardare<br />
attentamente), che basa il suo principio di funzionamento sulla trasmissio-<br />
ne <strong>dei</strong> <strong>suoni</strong> attraverso i solidi. Può essere monoauricolare o biauricolare,<br />
spesso è integrato da un’amplificatore e viene utilizzato <strong>per</strong> l’auscultazione<br />
del suono generato dal respiro <strong>per</strong> ottenere informazioni utili ai fini di un<br />
inquadramento diagnostico. Grazie a questo strumento è possibile captare<br />
la presenza di particolari rumori <strong>polmonari</strong> denominati crackles o crepitazio-<br />
ni. Il loro studio risulta fondamentale in quanto questi particolari fenomeni<br />
acustici vanno ad aggiungersi al suono polmonare di base e sono caratteristi-<br />
ci di alcune patologie. L’auscultazione del torace viene effettuata in precisi<br />
punti di ascolto in cui si possono sentire rumori o <strong>suoni</strong> patologici aggiunti.<br />
L’utilizzo ha <strong>per</strong>ò alcune limitazioni:<br />
1. lo strumento induce una distorsione nel segnale<br />
2. il volume del suono da ascoltare è spesso basso<br />
3. la gamma delle frequenze udibili dall’orecchio umano è abbastanza<br />
ridotta.<br />
L’elemento critico rimane comunque l’orecchio: esso ha il delicato com-<br />
pito di discernere i <strong>suoni</strong> dai rumori e di riconoscere i segni della patologia.<br />
Una procedura automatizzata, invece, porterebbe ad una più funzionale e<br />
professionale analisi del suono polmonare portando ad una più evidente di-<br />
stinzione fra tipologie di malattie oltre che a fornire un’utile strumentazione<br />
di supporto e di computer based training <strong>per</strong> i medici [24]. Spesso l’ausculta-<br />
zione <strong>non</strong> è sufficiente e occorre sottoporre il paziente a radiografie del torace<br />
<strong>per</strong> ulteriori accertamenti (un esempio di referto radiografico viene proposto<br />
in figura 1.3).<br />
15
1.4. SUONI POLMONARI E PROVE DI FUNZIONALIT À<br />
RESPIRATORIA 16<br />
Figura 1.3: Esempio di radiografia di polmonite destra<br />
Se anche questo esame <strong>non</strong> risulta esaustivamente soddisfacente, il medico<br />
può richiedere una broncoscopia, cioè un esame in cui si va ad ispezionare i<br />
bronchi con una sonda e contemporaneamente ad aspirare il muco presente.<br />
Il campione viene quindi estratto e analizzato <strong>per</strong> identificare la causa esatta<br />
e saggiare l’antibiotico valutando l’antibiogramma.<br />
Lo spirometro può misurare diversi parametri tra i quali il flusso ed il<br />
volume polmonare e ne esistono due principali configurazioni: a campana e<br />
a secco. In particolare, lo spirometro a campana misura lo spostamento <strong>dei</strong><br />
volumi gassosi attraverso il movimento di una campana che presenta la parte<br />
inferiore adagiata sull’acqua. Il calcolo del volume d’aria mobilizzato durante<br />
la respirazione è un fattore chiave sia <strong>per</strong> l’identificazione della patologia, sia<br />
<strong>per</strong> una stima sul suo stato di avanzamento. Con il verificarsi di determinate<br />
malattie, infatti, si ha una progressiva modifica dell’elasticità polmonare che<br />
può provocare alterazioni della funzione respiratoria. Per facilitare la misu-<br />
16
1.5. SUONI PATOLOGICI 17<br />
razione <strong>dei</strong> volumi <strong>polmonari</strong> possono essere usati gas come elio o ossigeno<br />
puro, che <strong>per</strong>mettono di valutare la quantità d’aria in condizioni di equi-<br />
librio. Lo spirometro presenta <strong>per</strong>ò una limitazione: <strong>non</strong> riesce a valutare<br />
direttamente il volume <strong>non</strong> mobilizzabile, ovvero il volume d’aria presente<br />
nel polmone al termine di una espirazione massimale (volume residuo).<br />
Nella pletismografia il paziente viene introdotto in una cabina pressurizza-<br />
ta a tem<strong>per</strong>atura costante affinché si possa misurare, senza manovre forzate,<br />
la variazione di pressione in corrispondenza degli atti respiratori. La meto-<br />
dologia, in accordo con la Legge di Boyle[10], <strong>per</strong>mette di valutare anche i<br />
volumi <strong>polmonari</strong> <strong>non</strong> mobilizzabili e di fornire un’indicazione sulla resisten-<br />
za delle vie aeree. L’esame, essendo eseguito in una cabina, può causare <strong>per</strong>ò<br />
in alcuni soggetti reazioni claustrofobiche.<br />
1.5 Suoni patologici<br />
Ogni malattia presenta delle peculiarietà che possono essere osservate all’in-<br />
terno del segnale del suono polmonare. Avendo a disposizione i dati, acquisiti<br />
nell’esame respiratorio, è possibile osservare la forma d’onda generata. Ana-<br />
lizzando il suono polmonare di un paziente affetto da fibrosi, ad esempio, è<br />
facile notare una crepitazione, o crackle, in corrispondenza della fine dell’atto<br />
inspiratorio (quando il segnale è negativo), come si vede in figura 1.4.<br />
Oltre ai rumori respiratori fisiologici si aggiungono rumori discontinui, o<br />
rantoli, dovuti alla ritardata a<strong>per</strong>tura degli alveoli. In presenza di broncopa-<br />
tia cronica ostruttiva è facile notare una crepitazione che si manifesta all’i-<br />
nizio dell’inspirazione, come mostrato in figura 1.5, e solitamente il soggetto<br />
presenta un allungamento della durata espiratoria.<br />
Nel caso di enfisema il segnale si presenterà generalmente piatto con pro-<br />
nunciati picchi in presenza dell’inizio dell’inspirazione. Un esempio di segnale<br />
viene riportato nella figura 1.6.<br />
17
1.5. SUONI PATOLOGICI 18<br />
Figura 1.4: Paziente affetto da fibrosi<br />
Figura 1.5: Paziente affetto da BPCO<br />
Figura 1.6: Paziente affetto da enfisema<br />
18
Capitolo 2<br />
Dinamiche complesse e RQA<br />
2.1 Dinamica <strong>non</strong> lineare e caos determini-<br />
stico<br />
Un sistema dinamico a tempo continuo è descritto dalla seguente equazione<br />
differenziale<br />
dove f : R n → R n .<br />
dx<br />
dt = f(x), x ∈ Rn , (2.1)<br />
La soluzione del sistema è una funzione x(x0, t) a valori in R n dipendente da<br />
t e condizione iniziale x(0) = x0.<br />
Quando il tempo assume valori discreti, nel caso monodimensionale, il<br />
sistema viene descritto da un’equazione alle differenze o iterazione (mappa)<br />
del tipo<br />
dove f : R → R.<br />
xn+1 = f(xn), (2.2)<br />
Le equazioni sopra descritte vengono utilizzate dai fisici <strong>per</strong> descrivere le leggi<br />
che regolano i fenomeni naturali e le interazioni tra le componenti presenti.<br />
Più recentemente sono stati formulati modelli matematici <strong>per</strong> caratterizzare<br />
19
2.1. DINAMICA NON LINEARE E CAOS DETERMINISTICO 20<br />
sistemi biologici e fisiologici, sebbene la complessità di questi ultimi ponga<br />
molte limitazioni alla loro applicazione reale in campo medico. L’approccio<br />
classico consiste nel suddividere un sistema nelle singole parti che lo costi-<br />
tuiscono, ipotizzando che il comportamento complessivo sia il risultato della<br />
sovrapposizione delle dinamiche <strong>dei</strong> sottosistemi che lo compongono. Ma le<br />
interazioni tra gli elementi costituenti il sistema <strong>non</strong> interagiscono sempre de-<br />
bolmente o linearmente, e i fenomeni naturali nella realtà sono spesso molto<br />
più complessi e caratterizzati da comportamenti <strong>non</strong> <strong>lineari</strong> quali bistabilità,<br />
oscillazioni <strong>per</strong>sistenti, quasi <strong>per</strong>iodicità, isteresi e caos. In presenza di fe-<br />
nomeni complessi risulta fondamentale studiare il sistema nella sua globalità<br />
(in un sistema complesso il tutto può essere diverso dalla somma delle singole<br />
parti). Le equazioni della meccanica e della fisica sono deterministiche: note<br />
le condizioni iniziali e le equazioni che caratterizzano il sistema è possibile<br />
conoscere l’evoluzione futura <strong>per</strong> ogni tempo t. Ma se la descrizione della<br />
realtà <strong>non</strong> è esaustiva, <strong>per</strong>ché le variabili in gioco sono molteplici, oppure<br />
<strong>per</strong>ché <strong>non</strong> è possibile misurarle con esattezza, risulta difficoltoso applica-<br />
re tale controllo sul fenomeno: piccole imprecisioni sulle condizioni iniziali<br />
possono causare grandi effetti nell’evoluzione futura e semplici leggi con ter-<br />
mini <strong>non</strong> <strong>lineari</strong> possono dar luce a comportamenti talvolta molto complicati.<br />
Un fenomeno mostra un regime di caos deterministico quando le equazioni<br />
matematiche che descrivono il sistema, anche se prive di elementi di tipo alea-<br />
torio, generano comportamenti impredicibili, analoghi a quelli di un processo<br />
stocastico. I sistemi presentano una forte dipendenza dalle condizioni iniziali<br />
che possono portare due traiettorie inizialmente vicine a divergere completa-<br />
mente nel lungo <strong>per</strong>iodo, rendendo impredicibile l’evoluzione del fenomeno.<br />
La distorsione che si viene a creare cresce esponenzialmente nel tempo, e la<br />
divergenza che ne risulta può essere quantificata tramite l’esponente di Lya-<br />
punov. Infatti, l’esponente di Lyapunov esprime una misura della velocità<br />
con cui divergono due traiettorie inizialmente vicine nello spazio delle fasi e<br />
20
2.1. DINAMICA NON LINEARE E CAOS DETERMINISTICO 21<br />
può essere ricavato dalla pendenza del grafico del logaritmo della distanza<br />
tra le due traiettorie in funzione del tempo. Tale coefficiente può assumere<br />
un valore negativo, in caso di direzione di contrazione, e positivo, nel caso<br />
di direzione di espansione. Determinismo e predicibilità <strong>non</strong> sono concet-<br />
ti intercambiabili dal momento che piccole variazioni possono ri<strong>per</strong>cuotersi<br />
sull’evoluzione del sistema producendo dinamiche completamente differenti.<br />
Uno <strong>dei</strong> maggiori sostenitori di questa teoria e considerato da molti il pioniere<br />
della teoria del caos deterministico è stato il meteorologo americano Edward<br />
Lorenz. Egli si occupò soprattutto <strong>dei</strong> sistemi legati ai fenomeni naturali e i<br />
suoi studi lo portarono alla sco<strong>per</strong>ta degli attrattori strani.<br />
Un attrattore è un’orbita chiusa verso cui evolve un sistema dinamico dopo<br />
un tempo sufficientemente lungo e descrive un modello di comportamento<br />
asintotico dove le traiettorie (spiegate più avanti nel testo) vi rimangono an-<br />
che se <strong>per</strong>turbate. Può essere di diversa natura geometrica a seconda della<br />
dimensione del problema e del numero di gradi di libertà presenti e una sua<br />
ricostruzione equivale a ritrovare un ordine nella struttura dinamica. Nei ca-<br />
si più semplici è un punto di equilibrio stazionario, <strong>per</strong> esempio nel caso del<br />
moto di un pendolo smorzato, o è di tipo <strong>per</strong>iodico, quando il sistema pre-<br />
senta un equilibrio che oscilla fra due o più stati. In situazioni più complesse<br />
l’attrattore ha la forma di un “toro” (quando il moto è caratterizzato da due<br />
o più oscillazioni indipendenti) o assume una struttura frattale (attrattore<br />
strano).<br />
Lorenz introdusse il seguente sistema, formato da tre equazioni differen-<br />
ziali, che richiama gli studi di Saltzman (1962) sull’analisi del moto convettivo<br />
di un fluido posto fra due diverse tem<strong>per</strong>ature:<br />
˙x = −σx + σy<br />
˙y = −xz + rx − y<br />
˙z = xy − bz<br />
21
2.1. DINAMICA NON LINEARE E CAOS DETERMINISTICO 22<br />
In particolare x è proporzionale all’intensità del moto convettivo, y è<br />
proporzionale alla differenza di tem<strong>per</strong>atura tra le correnti ascensionali e<br />
discensionali e z è proporzionale alla distorsione del profilo verticale di tem-<br />
<strong>per</strong>atura (assunta lineare) e si può dimostrare che il sistema tridimensionale<br />
assume un comportamento di tipo caotico. La figura 2.1 mostra un esempio<br />
di attrattore strano del sistema di Lorenz.<br />
Figura 2.1: Attrattore di Lorenz<br />
“Può un battito d’ali di una farfalla in Brasile provocare un tornado in<br />
Texas?”... Fu il nome di una sua conferenza nel 1972. L’immagine propo-<br />
sta, probabilmente suggeritagli dalla conformazione dell’attrattore, richiama<br />
il fenomeno dell’effetto farfalla (The Butterfly Effect), che sottolinea come<br />
piccole <strong>per</strong>turbazioni possano alterare completamente il futuro.<br />
Un sistema caotico è caratterizzato da tre principali elementi:<br />
1. una forte dipendenza dalle condizioni iniziali<br />
2. transitività, ovvero le traiettorie riempiono densamente una zona del<br />
piano delle fasi<br />
3. esistenza di infiniti cicli repulsivi.<br />
Un metodo intuitivo <strong>per</strong> modellizzare e analizzare i sistemi dinamici è<br />
la rappresentazione grafica delle soluzioni. Una soluzione descrive <strong>per</strong> ogni<br />
22
2.1. DINAMICA NON LINEARE E CAOS DETERMINISTICO 23<br />
condizione iniziale l’evoluzione dello stato nel tempo e viene espressa trami-<br />
te una curva che prende il nome di orbita o traiettoria nello spazio delle<br />
fasi [26]. La dimensione dello spazio delle fasi coincide con il numero delle<br />
equazioni differenziali o alle differenze caretterizzanti il sistema e nel caso<br />
“semplice” di due equazioni si parla di piano delle fasi. Il metodo grafico<br />
rende l’analisi più intuitiva e <strong>per</strong>mette una valutazione qualitativa delle so-<br />
luzioni, riuscendo a visualizzare i valori di una grandezza e delle sue derivate<br />
nel tempo: attraverso questo studio si cerca di classificare le peculiarità sa-<br />
lienti della dinamica del sistema in esame e si valutano i cambiamenti globali<br />
andando a variare il valore <strong>dei</strong> parametri.<br />
Teoricamente, se si conoscessero ad un dato istante e con precisione assoluta<br />
tutte le variabili in gioco e le equazioni che caratterizzano un dato fenome-<br />
no, si potrebbe predire con esattezza la sua evoluzione futura istante <strong>per</strong><br />
istante. Nella pratica la moltitudine delle variabili in gioco rende questa<br />
teoria poco attuabile e il ricorso ad approssimazioni porta ad una <strong>non</strong> più<br />
accurata descrizione del sistema. La <strong>per</strong>dita di informazione o un’incertezza<br />
arbitrariamente piccola sullo stato iniziale rende l’evoluzione impredicibile e<br />
le previsioni <strong>non</strong> risultano più attendibili nel medio/lungo <strong>per</strong>iodo.<br />
Un modo <strong>per</strong> studiare un sistema caotico è quello di ricostruire l’attrattore<br />
che genera il sistema: l’attrattore ricostruito, infatti, ha le stesse caratteristi-<br />
che dinamiche e proprietà topologiche dell’orignale [17][27]. Tale ricostruzio-<br />
ne può essere fatta a partire dall’analisi di serie storiche di misure correlate<br />
con le variabili di stato cercando le strutture ricorrenti “nascoste” che rego-<br />
lano e generano il sistema, <strong>per</strong>ché il riconoscimento di queste strutture porta<br />
alla descrizione e comprensione del fenomeno in esame.<br />
23
2.2. EMBEDDING 24<br />
2.2 Embedding<br />
Per Embedding si intende una tecnica usata <strong>per</strong> la ricostruzione di un siste-<br />
ma (caotico) nello spazio delle fasi a partire dalla serie storica e secondo il<br />
Teorema di Embedding, introdotto da Takens e Mané [12], è possibile<br />
ricreare la dinamica del sistema multivariato utilizzando i valori ritardati nel<br />
tempo di una sola variabile. In tale ricostruzione si mantengono tutte le<br />
proprietà del segnale originale sotto l’ipotesi che nell’evoluzione temporale di<br />
una singola componente sia già presente l’influenza di tutte le altre. Per la<br />
ricostruzione di un sistema caotico è necessario determinare:<br />
1. la dimensione di embedding m<br />
2. il tempo di ritardo τ.<br />
La dimensione di embedding rappresenta il numero di coordinate neces-<br />
sarie <strong>per</strong> una corretta rappresentazione dell’attrattore nello spazio delle fasi.<br />
La scelta deve essere fatta in base al problema specifico: solo se l’attrattore<br />
ha dimensione bassa può essere ricostruito in uno spazio di embedding “pic-<br />
colo” altrimenti la scelta deve ricadere su uno spazio più grande affinché <strong>non</strong><br />
si presentino ambiguità; quindi, condizione necessaria ma <strong>non</strong> sufficiente, è<br />
quella di prendere una dimensione di embedding maggiore o uguale a quella<br />
dell’attrattore. L’attrattore ricostruito, <strong>per</strong> definizione, presenta le medesime<br />
proprietà geometriche e dinamiche dell’originale (caratteristiche topologiche)<br />
e, affinché lo studio sia eseguito correttamente, <strong>non</strong> si devono verificare delle<br />
auto-interserzioni nello spazio delle fasi. La presenza di auto-inserzioni si-<br />
gnifica una scelta di dimensione di embedding troppo bassa e in questi casi<br />
è opportuno incrementare il valore di m. La valutazione della loro esistenza<br />
<strong>non</strong> è sempre possibile a livello visivo e spesso risulta necessario avvalersi<br />
di metodi di tipo quantitativo come l’algoritmo <strong>dei</strong> falsi intorni (o falsi<br />
vicini) [2]. La tecnica consiste nel valutare la distanza al quadrato di tutti i<br />
24
2.3. LE RICORRENZE NELLE SERIE STORICHE NON LINEARI 25<br />
punti della serie a dimensione d e a dimensione via via crescente andando a<br />
scoprire le false sovrapposizioni, come se si volesse “srotolare il gomitolo di<br />
una matassa”. I dati <strong>per</strong>ò, specie se generati da sistemi stocastici, tendono a<br />
distribuirsi uniformemente nello spazio che hanno a disposizione e due punti<br />
apparentemente vicini possono risultare nella realtà molto lontani. Il risul-<br />
tato è un <strong>non</strong> significativo incremento del valore di m che dovrebbe essere<br />
aumentato solo in ragione del diametro dell’attrattore. Numerosi studiosi<br />
come Whitney [29], Mané, Takens e Yorke [22] hanno cercato di stabilire<br />
una condizione sufficiente <strong>per</strong> la scelta della dimensione di embedding e sono<br />
giunti alla conclusione di prendere un valore di m maggiore di due volte la<br />
dimensione dell’attrattore: una condizione utile ma piuttosto conservativa in<br />
quanto, nella maggior parte <strong>dei</strong> casi, è sufficiente la scelta di una dimensione<br />
minore.<br />
Il secondo problema da affrontare è definire il tempo di ritardo τ: in teoria<br />
ogni valore sarebbe conforme alla ricostruzione dell’attrattore ma in pratica<br />
alcuni valori “funzionano meglio” di altri. Il “τ ottimo” può essere ricercato<br />
in vari modi, come ad esempio analizzando lo spettro di potenza del segnale,<br />
ma solitamente si attribuisce a τ il valore assunto dal primo minimo della<br />
funzione di autocorrelazione.<br />
2.3 Le ricorrenze nelle serie storiche <strong>non</strong> li-<br />
neari<br />
Le serie storiche si riferiscono a fenomeni che sono stati misurati secondo pre-<br />
cise modalità temporali, hanno una propria lunghezza, e rappresentano una<br />
successione di valori assunti da k variabili in determinati istanti di tempo.<br />
Quando si ha a che fare con una serie temporale relativa ad un sistema <strong>non</strong> li-<br />
neare solitamente <strong>non</strong> è noto né il modello né l’ordine del sistema e, in teoria,<br />
<strong>per</strong> comprenderne pienamente la dinamica bisognerebbe misurare l’evoluzio-<br />
25
2.3. LE RICORRENZE NELLE SERIE STORICHE NON LINEARI 26<br />
ne nel tempo di tutte le sue variabili di stato. Ma nella pratica vengono<br />
prese in considerazione solo alcune componenti, spesso soltanto una variabi-<br />
le, sia <strong>per</strong>ché “il misurare” comporta un costo, sia <strong>per</strong>ché <strong>non</strong> essendoci un<br />
modello (ciò che vogliamo costruire) <strong>non</strong> è possibile conoscere a priori tutte<br />
le variabili in gioco. Sotto l’ipotesi di stazionarietà si suppone che si man-<br />
tengano inalterate le proprietà statistiche del processo che viene misurato e<br />
si ipotizza che la serie presa in esame rappresenti la realizzazione di una sola<br />
variabile di uscita del sistema, funzione istante <strong>per</strong> istante dello stato. L’i-<br />
potesi è da considerarsi valida solo se si è osservato il processo <strong>per</strong> un tempo<br />
sufficientemente lungo affinché sia presente tutto il contenuto informativo. È<br />
stato infatti dimostrato matematicamente (Teorema di Embedding) che<br />
è possibile ricostruire un equivalente topologico dell’attrattore originale, a<br />
partire da una singola variabile, sotto l’assunzione che l’effetto di tutte le<br />
altre componenti sia già presente nella serie dell’output osservato.<br />
I metodi tradizionali <strong>per</strong> lo studio delle serie storiche si basano sul calcolo<br />
di statistiche <strong>per</strong> identificare un modello in grado di simulare il fenomeno.<br />
In regime caotico è invece spesso conveniente cercare di catturare le regola-<br />
rità presenti all’interno della serie anziché fare ipotesi sulla distribuzione che<br />
ha generato i dati: una metodologia adatta a questi scopi è l’Analisi delle<br />
Ricorrenze. Attraverso l’analisi si ricercano elementi simili tra di loro all’in-<br />
terno della serie andando ad individuare nell’orbita segmenti che si ripetono<br />
a meno di piccole differenze. Grazie allo studio di alcune misure complesse,<br />
che verranno successivamente presentate nel testo, è possibile dedurre il com-<br />
portamento della serie [11]. Nell’analisi di un sistema complesso il focus è<br />
posto sulla funzione di autocorrelazione: in generale studiare la correlazione<br />
tra due segnali significa cercare di determinare quanto si “assomigliano” e<br />
trovare proprietà comuni ad entrambi. L’autocorrelazione confronta invece il<br />
segnale con se stesso e fornisce una misura di quanto sono “vicine” le traiet-<br />
torie nel tempo del segnale in esame, evidenziando “pezzetti” che si ripetono<br />
26
2.4. RECURRENCE PLOTS (RPS) 27<br />
con un certo tempo di ritardo τ [1]. Un segnale risulta massimamente corre-<br />
lato con se stesso quando τ è uguale a zero, mentre un segnale caratterizzato<br />
da una dinamica lenta risulterà più somigliante alla sua replica ritardata di<br />
un τ maggiore (a seconda <strong>dei</strong> casi la funzione di autocorrelazione andrà a<br />
decrescere più o meno lentamente nel tempo).<br />
2.4 Recurrence Plots (RPs)<br />
Il metodo <strong>dei</strong> Recurrence Plots è stato introdotto <strong>per</strong> la prima volta da<br />
Eckmann e Ruelle nel 1987 [4], ed è uno strumento di tipo qualitativo <strong>per</strong> lo<br />
studio delle serie temporali [14]. Il principio di funzionamento è strettamente<br />
legato all’evoluzione temporale del sistema dinamico: se la serie presenta delle<br />
strutture al suo interno, esse vengono riconosciute e mostrate <strong>per</strong> via grafica<br />
attraverso <strong>dei</strong> pattern. Se ad essere analizzato è un segnale casuale, esso <strong>non</strong><br />
presenterà alcun pattern identificabile e l’immagine sarà uniforme. Definendo<br />
arbitrariamente una soglia ɛ si valuta <strong>per</strong> ogni coppia di istanti di tempo i, j,<br />
se gli stati del sistema corrispondenti xi and xj sono ricorrenti o meno, fino<br />
a costituire una matrice quadrata di zero (<strong>non</strong> ricorrenti) e uno (ricorrenti):<br />
Rij = Θ(ɛ − ||xi − xj||), xi ∈ R m , i, j = 1, . . . , N, (2.3)<br />
dove N è il numero di misure dello stato xi, Θ(·) è la funzione gradino e<br />
|| · || rappresenta la norma. Per ogni posizione (i, j) viene marcato o meno<br />
un punto a seconda del risultato della Ri,j. Sulla diagonale, che prende il<br />
nome di linea d’identità (LOI ), avremo tutti uno, in quanto <strong>per</strong> definizione,<br />
ogni stato è ricorrente con se stesso Rı,j = 1, ∀ı = j. Di delicata importanza<br />
è la ricerca di un ɛ “adatto” a descrivere la serie. Un valore troppo grande<br />
può introdurre rumore, mentre un valore troppo piccolo può <strong>non</strong> riuscire a<br />
catturare la dinamica (solitamente si sceglie un valore di ɛ <strong>non</strong> più grande<br />
del 10% il diametro dell’attrattore). Di seguito si riportano alcuni esempi di<br />
27
2.4. RECURRENCE PLOTS (RPS) 28<br />
Recurrence Plots relativi ad un rumore bianco, ad un segnale <strong>per</strong>iodico e alla<br />
componente x(t) del sistema di Lorenz (figura 2.2).<br />
Figura 2.2: Esempi di RPs: (a)(b) rumore bianco; (c)(d) segnale <strong>per</strong>iodico;<br />
(e)(f) componente x(t) del sistema di Lorenz<br />
Il Recurrence Plot di un rumore bianco (figura 2.2(b)) mostra una di-<br />
stribuzione casuale di punti, monito che l’orbita <strong>non</strong> visita regolarmente una<br />
particolare regione dello spazio delle fasi. Al contrario, il RP di un segnale<br />
<strong>per</strong>iodico (figura 2.2(d)) si presenta come una serie di lunghe linee diagonali<br />
parallele alla LOI. Questo significa che, dopo un certo tempo, lo stato torna<br />
al suo valore originale e che l’orbita visita la stessa regione dopo lo stesso<br />
tempo. Il Recurrence Plot mostrato nella figura 2.2(f) si riferisce alla com-<br />
ponente x(t) del sistema di Lorenz: linee di lunghezze diverse parallele alla<br />
LOI sono tipiche di un sistema caotico. I RPs possono essere rappresentati<br />
28
2.5. ANALISI RQA 29<br />
anche attraverso <strong>dei</strong> colori che identificano le distanze <strong>dei</strong> vettori nello spazio<br />
ricostruito: colori caldi come il rosso o l’arancione possono essere utilizzati<br />
<strong>per</strong> mostrare distanze piccole, mentre i colori freddi come il blu o il nero<br />
possono essere associati a grandi distanze tra vettori. Il problema è che, <strong>per</strong><br />
quanto possano essere interessanti, <strong>non</strong> danno indicazione alcuna sul signifi-<br />
cato della struttura: possono rivelare la presenza di determinismi all’interno<br />
della serie ma <strong>non</strong> possono fornire delle misure che li quantifichino. Sono<br />
inoltre strettamente vincolati dalla risoluzione dello schermo e questo po-<br />
trebbe creare confusione nell’analisi di serie molto lunghe.<br />
È quindi spesso<br />
necessario approfondire l’analisi e ricorrere allo studio delle misure RQA.<br />
2.5 Analisi RQA<br />
L’analisi delle misure RQA (Recurrence Quantification Analysis) è stata in-<br />
trodotta da Zbilut e Webber e <strong>per</strong>mette una valutazione quantitativa delle<br />
strutture presenti nei RPs. Il comportamento della serie presa in esame viene<br />
dedotto conseguentemente ai valori assunti da alcuni particolari parametri.<br />
Le principali misure da controllare ai fini dello studio [7][8] sono:<br />
• Recurrence Rate RR<br />
• Determinismo DET<br />
• Entropia ENT<br />
• Lunghezza media Lm.<br />
Indicando con P(l) la distribuzione caratteristica delle singole linee dia-<br />
gonali di lunghezza l, il recurrence rate è definito come:<br />
RR = 1<br />
N 4<br />
N<br />
i1,i2,j1,j2<br />
Ri1,i2,j1,j2 = 1<br />
N 4<br />
29<br />
N<br />
lP (l) (2.4)<br />
l=1
2.5. ANALISI RQA 30<br />
Rappresenta il numero di ricorrenze trovate sul numero di ricorrenze pos-<br />
sibili (ovvero la lunghezza al quadrato della serie) e fornisce una misura sulla<br />
densità <strong>dei</strong> RPs.<br />
Il determinismo è definito come:<br />
DET =<br />
N<br />
l=lmin<br />
N l=1<br />
lP (l)<br />
lP (l)<br />
(2.5)<br />
Mostra il rapporto tra le ricorrenze che formano linee diagonali di lun-<br />
ghezza almeno lmin (valore predefinito) e il numero totale di ricorrenze. Per<br />
quanto riguarda la scelta del valore di lmin <strong>non</strong> esiste una linea guida specifi-<br />
ca, ma bisogna fare attenzione a <strong>non</strong> prenderlo troppo piccolo <strong>per</strong> <strong>non</strong> andare<br />
ad introdurre rumore: un valore di lmin pari a quattro risulta solitamente<br />
una scelta appropriata. Se una linea è lunga l significa che <strong>per</strong> l <strong>per</strong>iodi<br />
la traiettoria ha visitato la stessa regione in differenti istanti di tempo. Il<br />
determinismo fornisce quindi una misura del tempo che il sistema trascorre<br />
in una particolare zona dello spazio delle fasi e alti valori di DET (60% o<br />
più) indicano la presenza di strutture organizzate.<br />
L’entropia è definita come:<br />
ENT = −<br />
N<br />
l=lmin<br />
p(l) log p(l), p(l) =<br />
N<br />
P (l)<br />
l=lmin<br />
P (l)<br />
(2.6)<br />
L’entropia è una misura complessa della distribuzione di probabilità sulle<br />
linee diagonali che si formano nei RPs. Confronta la distribuzione delle<br />
distanze fra ogni coppia di vettori dello spazio ricostruito con le distanze delle<br />
traiettorie sviluppate nel tempo attraverso una valutazione spazio-temporale:<br />
indica, in sintesi, la probabilità di trovare una linea diagonale di lunghezza<br />
esattamente l. Per segnali <strong>per</strong>iodici o rumori incorrelati il valore è piccolo<br />
(∼ 0.2 − 0.8), mentre <strong>per</strong> sistemi caotici, come ad esempio il sistema di<br />
Lorenz, ENT ∼ 3 − 4.<br />
L’ultima misura è la lunghezza media e rappresenta quanto in media è lunga<br />
una ricorrenza.<br />
30
Capitolo 3<br />
Pre-processing e analisi<br />
preliminari<br />
3.1 Organizzazione <strong>dei</strong> dati<br />
Nello studio sono stati acquisiti diversi segnali di <strong>suoni</strong> <strong>polmonari</strong> relativi<br />
a pazienti affetti da varie patologie grazie all’accesso ad un archivio redat-<br />
to negli anni dal Dott. Marcello Rossi 1 . In particolare abbiamo potuto<br />
analizzare:<br />
• 6 pazienti affetti da fibrosi<br />
• 3 pazienti affetti da asma<br />
• 5 pazienti affetti da BPCO (Bronco Pneumopatia Cronica Ostruttiva)<br />
• 2 pazienti affetti da polmonite<br />
• 1 paziente affetto da enfisema<br />
• 3 pazienti affetti da bronchiectasie<br />
1 Primario del reparto di Fisiopatologia e Riabilitazione respiratoria dell’Ospedale<br />
Policlinico Santa Maria alle Scotte di Siena<br />
31
3.1. ORGANIZZAZIONE DEI DATI 32<br />
• 1 soggetto sano (caso normale).<br />
In prima analisi abbiamo ascoltato tutti i <strong>suoni</strong> <strong>polmonari</strong> e visualizzato<br />
i segnali <strong>per</strong> riconoscere l’eventuale presenza di artefatti o rumori introdotti<br />
dallo strumento di registrazione. Da subito è stato possibile constatare una<br />
dinamica complessa nei segnali (figure 3.1 e 3.2), caratterizzati da un’ampia<br />
variabilità sia all’interno dello stesso soggetto, sia fra le varie patologie.<br />
Figura 3.1: Esempio di suono polmonare di un paziente affetto da fibrosi<br />
Figura 3.2: Esempio di suono polmonare di un paziente affetto da asma<br />
32
3.1. ORGANIZZAZIONE DEI DATI 33<br />
Nelle pratiche attuali <strong>non</strong> esiste una procedura standard da seguire <strong>per</strong> de-<br />
finire lo stato di salute di un paziente sottoposto a controllo. In prima analisi<br />
ci si appresta solitamente ad ascoltare il rumore o suono generato dal flusso<br />
respiratorio del paziente e si cerca la presenza di eventuali <strong>suoni</strong> o rumori<br />
patologici aggiunti, come sibili o fischi, <strong>per</strong> identificare la malattia. L’approc-<br />
cio risulta quindi molto soggettivo in quanto strettamente dipendente dalla<br />
sensibilità uditiva e dal livello es<strong>per</strong>ienziale maturato dal medico. La possi-<br />
bilità di poter accedere interattivamente al segnale e alle sue relative misure<br />
significherebbe invece possedere una procedura semi-automatica in grado di<br />
aiutare il medico nella diagnosi patologica. Il principale problema <strong>per</strong> un<br />
corretto studio rimane comunque quello di riuscire ad estrarre il contenuto<br />
informativo del segnale “filtrando” il rumore presente. Metodologie come i<br />
RPs o le misure RQA sono state applicate in passato in svariati ambiti come<br />
quello finanziario, medico (elettrocardiogramma) e meteorologico ed hanno<br />
mostrato risultati molto interessanti.<br />
Il lavoro di tesi quì presentato si è basato sullo studio delle misure RQA<br />
restituite dall’analisi <strong>dei</strong> <strong>suoni</strong> <strong>polmonari</strong> ed ha portato ad un discreto livel-<br />
lo di riconoscimento delle peculiarietà patologiche. Si è cercato di scoprire<br />
l’esistenza di una correlazione tra soggetti affetti dalla stessa patologia for-<br />
nendo, in alcuni casi, una prima classificazione sullo stato di avanzamento<br />
della malattia.<br />
Fattore rilevante <strong>per</strong> procedere ad una corretta analisi è stata l’organizzazio-<br />
ne <strong>dei</strong> dati: <strong>per</strong> accedere in maniera selettiva e sistematica ad ogni paziente<br />
è stata creata una struttura tipo contenente, <strong>per</strong> ogni soggetto, i dati <strong>per</strong><br />
noi utili ai fini dello studio. Si è ritenuto importante avere sotto controllo i<br />
seguenti parametri:<br />
• Numero identificativo sequenziale<br />
• Flusso respiratorio<br />
33
3.1. ORGANIZZAZIONE DEI DATI 34<br />
• Suono polmonare<br />
• Segnale smooth<br />
• Divisione del suono polmonare<br />
• Misure RQA (medie) relative<br />
Il numero identificativo mappa in maniera univoca ogni soggetto. Il flusso<br />
respiratorio rappresenta il segnale risultante dal movimento dell’aria gene-<br />
rato dagli atti respiratori. Esempi di flusso respiratorio vengono mostrati<br />
nelle figure 3.3 e 3.4: i flussi corrispondono ai <strong>suoni</strong> <strong>polmonari</strong> presentati<br />
precedentemente nella figura 3.1 e nella figura 3.2 rispettivamente. I valori<br />
negativi di flusso respiratorio rappresentano le inspirazioni, mentre i valori<br />
positivi le espirazioni.<br />
Figura 3.3: Esempio di flusso respiratorio di un paziente affetto da fibrosi<br />
Il suono polmonare, oggetto dello studio, corrisponde al rumore emesso<br />
dal polmone durante l’inspirazione e l’espirazione. Il segnale smooth è il<br />
segnale “liscio” ricostruito a partire dal flusso respiratorio.<br />
Inizialmente, il segnale acquisito presentava <strong>per</strong> metà della sua lunghezza<br />
il flusso respiratorio e <strong>per</strong> la restante parte il suono polmonare. Dopo aver se-<br />
34
3.2. SUDDIVISIONE DEI RESPIRI 35<br />
Figura 3.4: Esempio di flusso respiratorio di un paziente affetto da asma<br />
parato il segnale relativo al suono da quello relativo al flusso ed aver rimosso<br />
i rumori introdotti sistematicamente dallo strumento di registrazione (elimi-<br />
nando l’header), siamo passati alla divisione del segnale in corrispondenza<br />
<strong>dei</strong> cicli respiratori e <strong>per</strong> farlo ci siamo serviti di una funzione smoothing<br />
(si veda la figura 3.5). Occorreva infatti determinare con esattezza il pas-<br />
saggio di segno del flusso respiratorio da positivo a negativo (inizio dell’atto<br />
inspiratorio) e viceversa da negativo a positivo (fine inspirazione ed inizio<br />
espirazione), <strong>per</strong> poter mappare i punti nel corrispondente suono polmonare<br />
(come mostrato nella figura 3.6). In questo modo è stato possibile suddivi-<br />
dere il segnale in tutte le sue parti e la scomposizione ci ha <strong>per</strong>messo un suo<br />
immediato riscontro con il flusso respiratorio. Si ricorda che la parte negativa<br />
del segnale rappresenta l’inspirazione mentre quella positiva viene registrata<br />
in corrispondenza dell’atto espiratorio.<br />
3.2 Suddivisione <strong>dei</strong> respiri<br />
I segnali analizzati hanno mediamente la stessa lunghezza e, come visto nelle<br />
figure precedenti, in ognuno di essi sono presenti almeno tre atti inspiratori<br />
35
3.2. SUDDIVISIONE DEI RESPIRI 36<br />
Figura 3.5: Esempio di smoothing di un segnale<br />
Figura 3.6: Divisione del segnale a partire dal flusso respiratorio smooth<br />
36
3.3. ESEMPI DI SEGNALI 37<br />
ed altrettanti espiratori (figura 3.7).<br />
Figura 3.7: Esempio di divisione di un segnale<br />
Una apposita funzione smooth è stata utilizzata <strong>per</strong> individuare con pre-<br />
cisione il passaggio di segno del flusso respiratorio. In questo modo, una<br />
volta memorizzati i punti, siamo andati a circoscrivere il pezzetto di suono<br />
polmonare corrispondente. Il numero di punti analizzati, circa 10000 <strong>per</strong> ogni<br />
paziente, è risultato più informativo ed ha portato al riconoscimento di alcu-<br />
ne condizioni patologiche. Nel Capitolo 4 vengono mostrate in dettaglio le<br />
analisi delle misure RQA e viene fornita una panoramica generale <strong>dei</strong> risul-<br />
tati ottenuti e una presentazione più dettagliata <strong>per</strong> le tipologie patologiche<br />
<strong>non</strong> chiaramente distinguibili.<br />
3.3 Esempi di segnali<br />
In condizioni di normalità il rumore polmonare è classificabile in rumore<br />
bronchiale se la sede di auscultazione è al livello del collo e nelle regioni in-<br />
terscapolo vertebrali, e rumore polmonare o vescicolare se la zona interessata<br />
è la parete toracica [9]. Il rumore respiratorio normale (RRN) dipende<br />
dallo spessore della gabbia toracica e dalla profondità del respiro (escursione<br />
ventilatoria), si genera nel contesto del parenchima polmonare <strong>per</strong> il passag-<br />
37
3.3. ESEMPI DI SEGNALI 38<br />
gio dell’aria e <strong>per</strong> i moti vorticosi indotti nelle diramazioni bronchiali. Gli<br />
alveoli, in una auscoltazione toracica, <strong>non</strong> generano rumori e si comportano<br />
come un filtro passa-banda bloccando le frequenze comprese fra i 400 e 1700<br />
Hz e consentendo il passaggio di quelle comprese tra 100 e 200 Hz. Questa<br />
funzionalità viene meno in condizioni patologiche dove gli alveoli <strong>per</strong>dono il<br />
loro contenuto aereo. Nella figura 3.8 si mostrano le relazioni presenti tra<br />
<strong>suoni</strong> <strong>polmonari</strong>, patologici e respiratori [25].<br />
Figura 3.8: Relazioni - Eur Respir Rev 2000<br />
I rumori respiratori aggiunti (RRA) si sovrappongono al RRN e i più<br />
riscontrabili sono denominati Crakles, Wheezes e Rhonchus. Unica clas-<br />
sificazione tuttora valida è quella dell’ILSA (International Lung Sounds As-<br />
sociation) del 1987 [15] che distingue i vari tipi di <strong>suoni</strong> <strong>polmonari</strong> patologici<br />
in base alla forma d’onda e <strong>non</strong> più in base alle caratteristiche descrittive<br />
(figura 3.9).<br />
Ulteriori distinzioni possono essere fatte secondo la durata, la frequenza<br />
e la tonalità registrata [28]. I crackles sono una sequenza di rumori di breve<br />
durata (<strong>non</strong> su<strong>per</strong>iore ai 20 msec) presenti tra 200 e 2000 Hz. La frequenza<br />
dominante determina una tonalità bassa (coarse crackles), o una tonalità<br />
alta (fine crackles), mentre l’intensità varia a seconda dell’ampiezza delle<br />
oscillazioni. Sono segnali spesso irregolari, simili ad un suono scoppiettan-<br />
38
3.3. ESEMPI DI SEGNALI 39<br />
Figura 3.9: Classificazione internazionale <strong>suoni</strong> <strong>polmonari</strong> - fonte CHEST<br />
te e possono manifestarsi sia all’interno dell’atto inspiratorio sia in quello<br />
espiratorio. Possono essere generati dall’a<strong>per</strong>tura improvvisa di piccole vie<br />
aeree (figura 3.10), dal passaggio intermittente di boli d’aria attraverso vie<br />
aeree occluse oppure, in casi più rari, indotti dal gorgogliamento dell’aria<br />
attraverso le secrezioni bronchiali (figura 3.11).<br />
Gli wheezes hanno una durata variabile e un carattere musicale determi-<br />
nato dall’energia sonora contenuta nella frequenza delle oscillazioni. Possono<br />
essere presenti in tutto il ciclo respiratorio con frequenze su<strong>per</strong>iori a 400 Hz,<br />
essere di bassa o di alta tonalità, monofonici (singole note che cominciano<br />
in tempi diversi) o polifonici (più note che iniziano e terminano simultanea-<br />
mente). Solitamente sono più intensi degli altri RRA, hanno una durata di<br />
250 msec e si producono quando il calibro delle vie aeree intratoraciche vie-<br />
ne ridotto fino al punto di chiusura, provocando una vibrazione delle pareti<br />
durante la movimentazione dell’aria; questa chiusura <strong>non</strong> influisce comunque<br />
sulla tonalità che dipende strettamente dalla velocità dell’aria e dall’elasticità<br />
<strong>dei</strong> tessuti.<br />
Abbiamo passato in rassegna tutti i tipi di segnali, esaminando ogni sog-<br />
getto e prestando attenzione all’andamento del flusso respiratorio e alla pre-<br />
39
3.3. ESEMPI DI SEGNALI 40<br />
Figura 3.10: Crackles (1) - fonte Murphy<br />
senza di crackles (crepitazioni) e di wheezes (sibili) distribuiti all’interno del<br />
suono polmonare. Ne riportiamo di seguito una breve presentazione.<br />
La fibrosi (figura 3.12) e le altre pneumopatie interstiziali (polmoniti, al-<br />
veoliti, etc...)(figura 3.13) sono caratterizzate da crepitazioni di tonalità alta<br />
(fine crackles). Negli stadi iniziali della patologia i crackles sono solita-<br />
mente poco numerosi e confinati alla fine dell’inspirazione, mentre in stadi<br />
avanzati possono arrivare ad occupare tutta la fase inspiratoria, con accen-<br />
tuazione finale, ed essere preceduti da alcuni sibili. I crepitii a tonalità alta<br />
sono dovuti all’improvvisa equalizzazione di pressione dovuta alla ritardata<br />
a<strong>per</strong>tura delle vie aeree di piccolo diametro.<br />
Nell’asma bronchiale (figura 3.14) risulta di comune riscontro la presenza<br />
di rumori respiratori aggiunti di tipo continuo di tonalità alta (wheezes).<br />
Con il miglioramento della condizione asmatica e la riduzione del bronco-<br />
spasmo, la frequenza <strong>dei</strong> sibili si riduce lasciando spazio ai ronchi. I ru-<br />
mori (ronchi e sibili), possono trovarsi nella fase inspiratoria, espiratoria e<br />
40
3.3. ESEMPI DI SEGNALI 41<br />
Figura 3.11: Crackles (2) - fonte Murphy<br />
41
3.3. ESEMPI DI SEGNALI 42<br />
Figura 3.12: Esempio di un segnale di un paziente affetto da fibrosi<br />
Figura 3.13: Esempio di un segnale di un paziente affetto da polmonite<br />
Figura 3.14: Esempio di un segnale di un paziente affetto da asma<br />
42
3.3. ESEMPI DI SEGNALI 43<br />
in-espiratoria ed hanno caratteristiche monofoniche.<br />
Figura 3.15: Esempio di un segnale di un paziente affetto da enfisema<br />
Per effetto della riduzione della ventilazione si riscontra nell’enfisema (fi-<br />
gura 3.15) una riduzione diffusa del rumore respiratorio normale (RRN). Il<br />
segnale si presenta generalmente piatto con picchi pronunciati in corrispon-<br />
denza della fase inspiratoria.<br />
Figura 3.16: Esempio di un segnale di un paziente affetto da bronchiectasie<br />
Nel suono polmonare <strong>dei</strong> pazienti affetti da bronchiectasie (figura 3.16) so-<br />
no presenti sia crepitazioni che sibili. La loro numerosità dipende dallo stadio<br />
di avanzamento patologico e dalla conseguente deformazione <strong>dei</strong> bronchi.<br />
43
3.3. ESEMPI DI SEGNALI 44<br />
Figura 3.17: Esempio di un segnale di un paziente affetto da BPCO<br />
Nella BPCO (Bronco Pneumopatia Cronica Ostruttiva)(figura 3.17) è fre-<br />
quente la presenza di crackles di tonalità bassa (coarse crackles) nella fase<br />
iniziale inspiratoria. Generalmente sono poco numerosi e possono essere asso-<br />
ciati a crepitii a fine espirazione talvolta accompagnati da ronchi e sibili. La<br />
loro manifestazione può verificarsi con la stessa intensità in varie sequenze di<br />
intervalli: la localizzazione temporale <strong>dei</strong> crepitii è indicativa <strong>dei</strong> meccanismi<br />
di ostruzione dovuti alla patologia. Nella BPCO i crepitii di tonalità bassa<br />
sono generati dal passaggio di boli d’aria attraverso le vie aeree occluse in<br />
maniera intermittente e possono presentarsi anche sibili polifonici nella fase<br />
espiratoria.<br />
Figura 3.18: Esempio di un segnale di un soggetto sano<br />
44
3.4. TECNICHE TRADIZIONALI 45<br />
Il rumore che si ascolta durante la respirazione di un soggetto sano (figura<br />
3.18) è definito RRN (rumore respiratorio normale o normal breathe sound)<br />
ed è caratterizzato da una componente inspiratoria apprezzabile <strong>per</strong> tutta<br />
la durata dell’inspirazione e da una componente espiratoria presente solo<br />
nella prima fase dell’atto espiratorio. La sua intensità è influenzata dalla<br />
profondità del respiro, ovvero dall’entità delle escursioni ventilatorie. Il RRN<br />
fornisce utili indicazioni sui fattori che ostacolano la trasmissione <strong>dei</strong> rumori<br />
mentre i RRA indicano anomalie patologiche strutturali e di funzione.<br />
Nel corso delle analisi preliminari <strong>dei</strong> dati ci siamo resi conto che pren-<br />
dere come oggetto di studio un intero ciclo respiratorio <strong>non</strong> era la soluzione<br />
ottimale: l’eccessiva quantità di dati rendeva lo studio poco mirato e <strong>non</strong><br />
<strong>per</strong>metteva di esaminare in dettaglio le peculiarità <strong>dei</strong> segnali. Si è deciso<br />
così di restringere l’analisi alla sola fase inspiratoria, consapevoli del fatto<br />
che i maggiori segnali informativi, come i crackles, solitamente sono presenti<br />
nella parte finale (come nel caso della fibrosi) o nella parte iniziale (come<br />
nella BPCO) dell’inspirazione.<br />
3.4 Tecniche tradizionali<br />
Come espresso precedentemente nel Capitolo 2, lo studio delle serie tem-<br />
porali attraverso le tecniche tradizionali si basa sul calcolo di statistiche <strong>per</strong><br />
identificare modelli in grado di simulare e predire il fenomeno. Le distribu-<br />
zioni e le densità di probabilità sono utili <strong>per</strong> poter associare ad ogni istante<br />
di tempo una probabilità di poter registrare valori inferiori ad una soglia<br />
prefissata.<br />
Alcuni studi sono stati condotti in passato studiando la derivata prima del<br />
segnale riuscendo ad identificare il punto di insorgenza <strong>dei</strong> crackles (<strong>per</strong> mag-<br />
giori dettagli si veda [19][20]).<br />
Il problema in esame è stato affrontato preliminarmente attraverso l’analisi in<br />
45
3.4. TECNICHE TRADIZIONALI 46<br />
frequenza e lo studio dello spettro, ma l’ampia variabilità presente nei segnali<br />
<strong>non</strong> ha <strong>per</strong>messo di arrivare a nessuna rilevante conclusione. Queste meto-<br />
dologie <strong>non</strong> spiegano in maniera sufficientemente accurata le caratteristiche<br />
intrinseche del segnale <strong>per</strong>ché <strong>non</strong> sono in grado di catturare la dinamica<br />
complessa presente.<br />
3.4.1 Analisi in frequenza<br />
L’analisi in frequenza è una metodologia che <strong>per</strong>mette di poter osservare<br />
un fenomeno da un altro punto di vista. Non si aggiunge informazione ma<br />
si va a valutare l’ampiezza del segnale <strong>non</strong> rispetto al tempo, come solita-<br />
mente si presenta, bensì rispetto alle frequenze che si manifestano. Una sua<br />
trasformazione dal dominio del tempo al dominio della frequenza può esse-<br />
re ottenuta grazie alla Trasformata di Fourier e la proiezione risultante<br />
prende il nome di spettro. Secondo il Teorema di Fourier una funzione può<br />
essere scomposta in una serie costituita da un termine costante più una som-<br />
matoria di infinite sinusoidi: in pratica nel dominio della frequenza il segnale<br />
si presenta come un insieme di molte, eventualmente infinite, armoniche a<br />
diversa frequenza e fase [21].<br />
Preliminarmente, il suono polmonare è stato così analizzato partendo da una<br />
sua rappresentazione nel dominio del tempo (forma d’onda), fino ad arrivare<br />
ad una sua visualizzazione in termini di spettro: in questo modo è stato pos-<br />
sibile individuare le frequenze prevalenti ed identificare gli eventuali artefatti<br />
quando presenti (figure 3.19 e 3.20).<br />
Dall’analisi in frequenza è possibile vedere come sono distribuite le fre-<br />
quenze all’interno del segnale e riconoscere la presenza di un sibilo nel suono<br />
polmonare quando il segnale manifesta un “picchetto” nello spettro, ma <strong>non</strong><br />
risulta una metodologia esaustiva ai fini del nostro studio: <strong>non</strong>ostante i se-<br />
gnali siano relativi a due patologie completamente diverse come la fibrosi<br />
e l’asma, l’analisi in frequenza <strong>non</strong> fornisce informazioni sufficienti <strong>per</strong> di-<br />
46
3.4. TECNICHE TRADIZIONALI 47<br />
Figura 3.19: Esempio di analisi in frequenza relativa a tre cicli respiratori di<br />
un paziente affetto da fibrosi<br />
Figura 3.20: Esempio di analisi in frequenza relativa a tre cicli respiratori di<br />
un paziente affetto da asma<br />
47
3.4. TECNICHE TRADIZIONALI 48<br />
stinguere le due malattie.<br />
È necessario quindi avvalersi di nuove tecniche<br />
in grado di poter su<strong>per</strong>are questo limite: abbiamo proseguito così lo studio<br />
attraverso l’analisi delle misure RQA.<br />
48
Capitolo 4<br />
Risultati<br />
La Recurrence Quantification Analysis ha <strong>per</strong>messo di individuare le caratte-<br />
ristiche dinamiche delle serie analizzate ed è risultata una valida metodologia<br />
<strong>per</strong> lo studio <strong>dei</strong> <strong>suoni</strong> <strong>polmonari</strong>. Di seguito si riportano i risultati ottenuti<br />
dallo studio affrontato in termini di misure RQA, e gli indicatori riportati<br />
nei grafici (diagrammi Determinismo-Entropia o DET -ENT ) sono rappre-<br />
sentativi delle misure trovate <strong>per</strong> ogni paziente analizzato. Ogni soggetto<br />
viene in questo modo mappato nello spazio utilizzando varie coordinate, che<br />
nel nostro caso rappresentano le misure di determinismo (DET ), entropia<br />
(ENT ) e lunghezza media (Lm). Talvolta vengono proposte solo le prime<br />
due misure <strong>per</strong> facilitare il lettore nella visualizzazione <strong>dei</strong> risultati.<br />
4.1 Misure RQA<br />
Le elaborazioni sono state fatte grazie ad un algoritmo costruito a partire<br />
dalla funzione crqa presente nel CRP-Toolbox del software MATLAB R○ (e di-<br />
sponibile sul sito http://www.agnld.uni-potsdam.de/ marwan/)[13]; lo script<br />
originario è stato modificato <strong>per</strong> poter mantenere il RR (Recurrence Rate),<br />
arbitrariamente scelto, ad un valore prefissato. Ci è sembrato opportuno<br />
imporlo uguale al 5%, un valore che ci ha <strong>per</strong>messo di ottenere un’analisi<br />
49
4.2. LE SERIE STORICHE ANALIZZATE 50<br />
svincolata dalla particolare realizzazione del segnale analizzato e di ottenere<br />
così dati confrontabili. In questo modo è possibile scegliere un ɛ opportuno<br />
<strong>per</strong> ogni segnale in base alle caratteristiche del suono polmonare. La struttu-<br />
ra dinamica creata è stata molto utile nella fase di memorizzazione <strong>dei</strong> dati<br />
e ci ha fornito un valido supporto <strong>per</strong> poter accedere sistematicamente alle<br />
misure RQA di ogni paziente, oltre che allo storico di ogni soggetto (suono<br />
polmonare, divisione <strong>dei</strong> cicli respiratori, singole inspirazioni ed espirazioni,<br />
etc...). Il confronto e le conclusioni sono risultati parte integrante di un <strong>per</strong>-<br />
corso che ci ha <strong>per</strong>messo di fornire una prima diagnosi e una panoramica<br />
sullo stato di salute <strong>dei</strong> pazienti analizzati.<br />
4.2 Le serie storiche analizzate<br />
Come spiegato nel Capitolo 3 sono stati analizzati i <strong>suoni</strong> <strong>polmonari</strong> di<br />
20 pazienti affetti da varie patologie ed il suono di un soggetto sano. Le<br />
serie storiche prese in esame si riferiscono ad una inspirazione completa di<br />
ogni soggetto e l’analisi è stata condotta facendo scorrere su ogni tratto di<br />
suono polmonare una finestra temporale di 500 punti con un passo di 50<br />
punti (figura 4.1). I parametri sono stati ottimizzati <strong>per</strong> poter catturare<br />
il contenuto informativo presente nei segnali e, dopo varie simulazioni, si è<br />
ritenuto necessario scegliere una dimensione di embedding m pari a 3 ed un<br />
ritardo τ uguale a 10 <strong>per</strong> tutte le analisi [6].<br />
I risultati vengono presentati attraverso delle matrici strutturate in mo-<br />
do tale da poter facilmente confrontare le misure di ogni paziente. In alto<br />
a sinistra di ogni tabella viene indicata la classe di appartenenza <strong>per</strong> ogni<br />
soggetto e di seguito il # seriale di ogni paziente. Per riga sono presenti le<br />
misure RQA: in particolare vengono riportati i valori medi di recurrence rate<br />
(5%), determinismo, entropia, lunghezza media e l’ɛ scelto <strong>per</strong> l’analisi.<br />
50
4.2. LE SERIE STORICHE ANALIZZATE 51<br />
4.2.1 Fibrosi<br />
Figura 4.1: Scorrimento della finestra temporale<br />
Per quanto riguarda la fibrosi <strong>non</strong> è stato possibile individuare un cluster<br />
specifico che potesse contenere e discriminare la patologia in relazione alle<br />
altre tipologie di malattie. Si è riconosciuta comunque una certa tendenza<br />
delle misure di distribuirsi in maniera semi-lineare nel piano DET -ENT ,<br />
relazione che si è rivelata presente in tutte le malattie studiate. Il rapporto<br />
determinismo/entropia viene mostrato nelle figure 4.2 e 4.3<br />
fibrosi.<br />
Di seguito si presentano le misure RQA relative ai pazienti affetti da<br />
51
4.2. LE SERIE STORICHE ANALIZZATE 52<br />
Figura 4.2: Misure RQA delle patologie analizzate<br />
Figura 4.3: Misure RQA <strong>dei</strong> pazienti affetti da fibrosi<br />
52
4.2. LE SERIE STORICHE ANALIZZATE 53<br />
Fibrosi<br />
#paziente RR DET ENT Lm ɛ<br />
1 0.0516 0.4890 2.7819 107.5119 0.0141<br />
2 0.0508 0.4955 2.6930 104.7421 0.0356<br />
3 0.0527 0.3353 2.3317 95.3702 0.0082<br />
4 0.0529 0.2508 1.3950 77.5934 0.0105<br />
5 0.0509 0.2182 1.8153 90.9115 0.0089<br />
6 0.0510 0.2533 1.4587 78.3274 0.0160<br />
Osservando gli andamenti nel tempo del determinismo e dell’entropia di<br />
uno stesso soggetto (figura 4.4 e figura 4.5, rispettivamente) si può notare<br />
come <strong>non</strong> ci siano significative differenze fra le tre inspirazioni. In particolare,<br />
le misure si riferiscono al paziente #1 affetto da fibosi ma le caratteristiche<br />
appena descritte sono state riscontrate in tutti i soggetti analizzati.<br />
Figura 4.4: Andamento del determinismo nel tempo <strong>per</strong> ogni inspirazione di<br />
uno stesso paziente (affetto da fibrosi)<br />
Non si è ritenuto quindi necessario studiare ogni singola inspirazione, ma<br />
abbiamo preso la prima come rappresentativa di ogni soggetto.<br />
Come si può notare nella figura 4.6 relativa al paziente #1, il determini-<br />
smo e l’entropia assumono i valori più alti nella fase iniziale e finale dell’in-<br />
53
4.2. LE SERIE STORICHE ANALIZZATE 54<br />
Figura 4.5: Andamento dell’entropia nel tempo <strong>per</strong> ogni inspirazione di uno<br />
stesso paziente (affetto da fibrosi)<br />
spirazione. Questa caratteristica si ripete nella maggior parte <strong>dei</strong> soggetti<br />
affetti da fibrosi e sembra dovuta alla presenza o meno di crackles.<br />
Il crackle, essendo un segnale irregolare, può manifestarsi con una sequen-<br />
za più o meno simile all’interno di uno stesso paziente: tanto più è simile a se<br />
stesso, tanto più il determinismo tenderà a crescere, riconoscendo la struttu-<br />
ra. Invece, quando il rumore aggiunto al suono polmonare si presenta <strong>per</strong> la<br />
prima volta o in modi differenti, l’analisi <strong>non</strong> riesce a catturare il contenuto<br />
informativo.<br />
L’andamento del segnale del paziente #1 è abbastanza regolare e <strong>non</strong> vi<br />
è la presenza di molti crackles nella parte centrale del suono polmonare; il<br />
determinismo medio assume un valore pari quasi al 50% ma il contributo<br />
maggiore viene dato dal contenuto informativo della parte iniziale e finale<br />
del suono polmonare. La presenza di un crackle all’inizio dell’inspirazione è<br />
piuttosto sorprendente, in quanto solitamente nelle pneumopatie interstiziali<br />
si presenta nel tratto finale. Analoghe caratteristiche sono state riscontrate<br />
nel paziente #2 (figura 4.7). I pazienti #1 e #2 possono quindi essere rag-<br />
gruppati in un unico cluster (cluster 1) all’interno della classe fibrosi (figura<br />
4.19) in quanto presentano caratteristiche simili associabili ad una patologia<br />
54
4.2. LE SERIE STORICHE ANALIZZATE 55<br />
Figura 4.6: Analisi del paziente #1 affetto da fibrosi<br />
55
4.2. LE SERIE STORICHE ANALIZZATE 56<br />
agli stadi iniziali dove <strong>non</strong> sembra essere particolarmente compromessa la<br />
condizione fisiologica del polmone data la scarsa presenza di crackles.<br />
Figura 4.7: Analisi del paziente #2 affetto da fibrosi<br />
Il paziente #3, invece, presenta delle misure RQA molto diverse dai primi<br />
due pazienti (e come verrà mostrato, anche dagli altri tre) e nel diagramma<br />
DET -ENT va a collocarsi in prossimità del soggetto sano. In tutti gli altri<br />
casi le fibrosi risultano ben distinte e mostrano misure diverse probabilmente<br />
dipendenti dalla presenza più o meno marcata di crackles all’interno del<br />
suono polmonare (figura 4.8).<br />
Come si può notare nella figura 4.9 il suono polmonare <strong>non</strong> sviluppa am-<br />
pie oscillazioni, ma la presenza di numerosi <strong>suoni</strong> aggiunti irregolari nella<br />
parte centrale e finale dell’inspirazione <strong>non</strong> <strong>per</strong>mette al sistema di predirne<br />
la dinamica riportando valori di determinismo piuttosto bassi e che in media<br />
56
4.2. LE SERIE STORICHE ANALIZZATE 57<br />
Figura 4.8: Confronto tra pazienti affetti da fibrosi e soggetto sano<br />
57
4.2. LE SERIE STORICHE ANALIZZATE 58<br />
Figura 4.9: Analisi del paziente #3 affetto da fibrosi<br />
58
4.2. LE SERIE STORICHE ANALIZZATE 59<br />
sono del 33%. Cinque pazienti su sei affetti da fibrosi si collocano in regio-<br />
ni ben distanti dal soggetto normale. Il paziente #3, invece, riporta delle<br />
inaspettate misure RQA, simili ad un soggetto sano, e questo rappresenta<br />
un’anomalia. Una considerazione può <strong>per</strong>ò essere fatta studiando il suono<br />
polmonare: come è possibile notare in figura 4.10 la prima parte del suo-<br />
no polmonare <strong>non</strong> presenta nessun rumore respiratorio aggiunto e il suono<br />
polmonare è quasi assente.<br />
Figura 4.10: Analisi del paziente #3 affetto da fibrosi<br />
Si è ripetuta così l’analisi senza considerare i primi 2000 punti del suono<br />
polmonare e abbiamo messo a confronto le “vecchie” misure RQA con le<br />
“nuove”. Nella matrice seguente riportiamo le misure dell’analisi completa<br />
(completa) nella prima riga e le nuove misure (parziale) nella seconda (analisi<br />
senza i primi 2000 punti):<br />
59
4.2. LE SERIE STORICHE ANALIZZATE 60<br />
Fibrosi<br />
#paziente RR DET ENT Lm ɛ<br />
3 (completa) 0.0527 0.3353 2.3317 95.3702 0.0082<br />
3 (parziale) 0.0503 0.2810 2.3897 91.0086 0.0100<br />
Riportando nuovamente in un grafico tutte le misure RQA <strong>dei</strong> pazienti<br />
affetti da fibrosi e del soggetto sano (figura 4.11) è possibile notare come il<br />
paziente #3, adesso (marcatore “o” magenta), presenti delle caratteristiche<br />
simili alle altre fibrosi e si discosti dal soggetto normale.<br />
Figura 4.11: Confronto delle misure relative all’analisi “completa” e<br />
“parziale” del paziente #3 affetto da fibrosi<br />
4.12.<br />
I nuovi andamenti del determinismo e dell’entropia sono mostrati in figura<br />
60
4.2. LE SERIE STORICHE ANALIZZATE 61<br />
Figura 4.12: Analisi “parziale” del paziente #3 affetto da fibrosi<br />
61
4.2. LE SERIE STORICHE ANALIZZATE 62<br />
Le singolari caratteristiche riscontrate collocano comunque il paziente #3<br />
in un cluster a sé (cluster 2), come mostrato in figura 4.19.<br />
Il paziente #4 presenta nella prima parte del suono polmonare un andamento<br />
piuttosto regolare (figura 4.13) caratterizzato da piccole oscillazioni.<br />
Figura 4.13: Analisi del paziente #4 affetto da fibrosi<br />
Avvicinandosi alla metà dell’inspirazione si può notare un graduale au-<br />
mento dell’intensità del suono polmonare che si riflette sul determinismo<br />
facendolo decrescere molto velocemente (25% è il valore medio) e lo stesso<br />
effetto si ri<strong>per</strong>cuote anche nell’entropia. Questo è dovuto al fatto che l’algo-<br />
ritmo da noi implementato sceglie un valore di ɛ specifico <strong>per</strong> ogni segnale, in<br />
relazione al recurrence rate. Talvolta, quindi, quando il suono polmonare è<br />
particolarmente disomogeneo può accadere che l’ɛ fissato <strong>non</strong> risulti “adatto”<br />
in certe zone. In questi casi il determinismo e l’entropia “scendono” a zero (o<br />
62
4.2. LE SERIE STORICHE ANALIZZATE 63<br />
tendono al 100%) <strong>per</strong>chè l’ɛ adottato all’inizio dell’inspirazione risulta essere<br />
“troppo piccolo” (o “troppo grande”) rispetto alla struttura e <strong>non</strong> si regi-<br />
strano più ricorrenze (o se ne registrano “troppe”).<br />
È risultato opportuno<br />
quindi ricorrere anche ad un’analisi svincolata dalla particolare realizzazione<br />
dell’ɛ: abbiamo così ripetuto lo studio (analisi “new”) fissandolo ad un valore<br />
maggiore (ɛ = 0.0200). Di seguito riportiamo i risultati ottenuti mettendoli<br />
a confronto con i precedenti (analisi “old”):<br />
Fibrosi<br />
#paziente RR DET ENT Lm ɛ<br />
4 (old) 0.0529 0.2508 1.3950 77.5934 0.0105<br />
4 (new) 0.1689 0.2990 2.3924 103.0140 0.0200<br />
Possiamo notare come fissando un ɛ maggiore, tutte le misure siano cre-<br />
sciute in valore: le nuove analisi hanno restituito valori diversi andando a<br />
modificare in parte lo scenario (figure 4.14, 4.15 e 4.16).<br />
Anche il paziente #5 mostra a metà dell’inspirazione oscillazioni <strong>per</strong>si-<br />
stenti (figura 4.17).<br />
Ma il suono polmonare risulta nel complesso omogeneo e l’algoritmo con-<br />
sente di scegliere un valore di ɛ “adatto” allo studio di tutto il segnale. Inol-<br />
tre, il suono polmonare sembra presentare delle strutture che si ripetono nel<br />
tempo: il determinismo le riconosce ed esibisce tre oscillazioni nel suo anda-<br />
mento.<br />
L’analisi del paziente #6 viene mostrata in figura 4.18. Senza ripetersi sono<br />
sempre valide le stesse considerazioni esposte precedentemente <strong>per</strong> il paziente<br />
#4.<br />
I pazienti #4, #5 e #6 presentano caratteristiche comuni e possono quin-<br />
di essere raggruppati in un terzo cluster (cluster 3, figura 4.19). Stranamente,<br />
mentre il determinismo assume valori molto bassi <strong>per</strong> tutto il suono polmo-<br />
nare, l’entropia assume un valore intorno a 1.5 anche in corrispondenza delle<br />
63
4.2. LE SERIE STORICHE ANALIZZATE 64<br />
Figura 4.14: Analisi “new” del paziente #4 affetto da fibrosi<br />
64
4.2. LE SERIE STORICHE ANALIZZATE 65<br />
Figura 4.15: Confronto del DETERMINISMO “old” e “new” del paziente<br />
#4 affetto da fibrosi<br />
Figura 4.16: Confronto dell’ENTROPIA “old” e “new” del paziente #4<br />
affetto da fibrosi<br />
65
4.2. LE SERIE STORICHE ANALIZZATE 66<br />
Figura 4.17: Analisi del paziente #5 affetto da fibrosi<br />
66
4.2. LE SERIE STORICHE ANALIZZATE 67<br />
Figura 4.18: Analisi del paziente #6 affetto da fibrosi<br />
67
4.2. LE SERIE STORICHE ANALIZZATE 68<br />
oscillazioni più marcate presenti a metà dell’inspirazione. Questi pazienti<br />
registrano quindi bassi valori di determinismo, entropia e lunghezza media.<br />
Figura 4.19: Cluster presenti all’interno della classe fibrosi<br />
In conclusione possiamo affermare che all’interno della classe fibrosi pos-<br />
sono essere distinti tre cluster in base alle misure restituite dall’analisi che<br />
vanno a mappare condizioni di avanzamento patologico differente.<br />
Il cluster 1 è composto dal paziente #1 e dal paziente #2. Si riscontrano in<br />
questo insieme alti valori di determinismo e di entropia e la fibrosi presente<br />
nei soggetti risulta nella fase iniziale dello sviluppo. Inoltre, i <strong>suoni</strong> polmona-<br />
ri analizzati presentano delle misure normalmente associate a segnali caotici.<br />
Il cluster 2 è formato dal solo paziente #3 che presenta valori intermedi di<br />
determinismo ed entropia. Il suono polmonare è sostanzialmente differente<br />
da tutti gli altri soggetti affetti da fibrosi e la patologia è in stato di avanza-<br />
68
4.2. LE SERIE STORICHE ANALIZZATE 69<br />
mento.<br />
Il cluster 3 raggruppa i pazienti #4, #5 e #6, caratterizzati da valo-<br />
ri di determinismo e di entropia che si mantengono molto bassi. A circa<br />
metà dell’inspirazione il suono polmonare cambia forma: gli effetti fisiologici<br />
della patologia sembrano essere presenti in maniera piuttosto massiccia nel<br />
polmone.<br />
4.2.2 Asma<br />
Mostriamo adesso i risultati ottenuti dall’analisi <strong>dei</strong> pazienti affetti da asma:<br />
Asma<br />
#paziente RR DET ENT Lm ɛ<br />
1 0.0512 0.2979 2.0730 109.3195 0.0506<br />
2 0.0513 0.3129 1.6301 121.5050 0.0415<br />
3 0.0511 0.3686 1.9066 78.4101 0.0215<br />
L’analisi relativa ai suddetti pazienti ha portato al riconoscimento di que-<br />
sto tipo di malattia: infatti, i soggetti asmatici presentano caratteristiche<br />
comuni che si discostano dalle altre patologie analizzate. Nel diagramma<br />
DET -ENT le misure occupano una particolare regione e la loro omogeneità<br />
ha <strong>per</strong>messo una marcata distinzione di questa malattia rispetto alle altre. Il<br />
determinismo è generalmente basso, <strong>non</strong> su<strong>per</strong>ando in media 0.36, così come<br />
lo è l’entropia che si mantiene sotto 2.1: valori paragonabili ad un soggetto<br />
sano. A differenza delle fibrosi, nei <strong>suoni</strong> <strong>polmonari</strong> <strong>dei</strong> pazienti asmatici<br />
sono molto più frequenti i sibili (wheezes), rumori di tipo continuo. In pre-<br />
senza di un sibilo l’entropia si abbassa, a differenza di quanto accade nel<br />
caso di un crackle e questo è dovuto probabilmente al diverso meccanismo di<br />
generazione <strong>dei</strong> rumori respiratori aggiunti: mentre i crackles nascono dal-<br />
l’a<strong>per</strong>tura e chiusura <strong>dei</strong> bronchi, i sibili sono provocati dalla vibrazione delle<br />
pareti durante la movimentazione dell’aria e <strong>non</strong> vanno ad alterare in ma-<br />
niera sostanziale il suono polmonare. Il valore della lunghezza media mostra<br />
69
4.2. LE SERIE STORICHE ANALIZZATE 70<br />
invece valori piuttosto alti, specie <strong>per</strong> i primi due pazienti, rivelando struttu-<br />
re che si ripetono. Come si può notare nella figura 4.20, il suono polmonare<br />
di ogni soggetto presenta un andamento piuttosto irregolare e una marcata<br />
variabilità nel tempo, mentre un rapido incremento del determinismo e dell’<br />
entropia a fine inspirazione risulta comune a tutti i segnali analizzati.<br />
Figura 4.20: Suono polmonare, andamento del determinismo e dell’entropia<br />
nel tempo <strong>dei</strong> pazienti asmatici<br />
Proiettando le misure RQA medie nel diagramma DET -ENT si può inol-<br />
tre osservare come tutti i soggetti si concentrino in una particolare zona dello<br />
spazio, andando a costituire un unico cluster (figura 4.21). La figura propo-<br />
sta potrebbe indurre in inganno e far sembrare gli indicatori distanti fra loro.<br />
In realtà, se si osserva attentamente la scala, ci si accorge che i valori <strong>dei</strong><br />
vari soggetti <strong>non</strong> si discostano molto e il determinismo e l’entropia variano<br />
in un range di 0.07 e 0.44 rispettivamente. Quanto affermato sarà più chiaro<br />
una volta presentata la figura 4.28. In conclusione, mentre il determinismo<br />
<strong>non</strong> consente una discriminazione di questa patologia rispetto ad un soggetto<br />
sano, l’entropia assume valori inferiori a quelli “normali” in tutti i pazienti<br />
analizzati (figura 4.22).<br />
70
4.2. LE SERIE STORICHE ANALIZZATE 71<br />
Figura 4.21: Pazienti affetti da asma<br />
71
4.2. LE SERIE STORICHE ANALIZZATE 72<br />
Figura 4.22: Confronto fra soggetto sano e pazienti affetti da asma<br />
72
4.2. LE SERIE STORICHE ANALIZZATE 73<br />
4.2.3 Polmonite<br />
In questo paragrafo vengono riportate le misure RQA relative ai pazienti<br />
affetti da polmonite:<br />
Polmonite<br />
#paziente RR DET ENT Lm ɛ<br />
1 0.0520 0.1687 1.6130 111.4643 0.0047<br />
2 0.0502 0.4211 2.2838 98.9122 0.0102<br />
È doveroso specificare che le polmoniti prese in esame appartengono a<br />
due categorie differenti: la prima è una alveolite allergica estrinseca causa-<br />
ta dall’i<strong>per</strong>sensibilità del paziente verso i volatili, mente la seconda è una<br />
polmonite batterica.<br />
Il soggetto affetto da alveolite allergica estrinseca aveva contratto la ma-<br />
lattia a causa di un prolungato contatto con alcuni piccioni, <strong>dei</strong> quali pos-<br />
sedeva un allevamento. Il segnale si presenta irregolare e caratterizzato da<br />
oscillazioni di piccole ampiezze (figura 4.23). Da notare è la presenza di tre<br />
picchi che si manifestano bruscamente a circa 5/4 della lunghezza del suono<br />
polmonare: una volta passati, il determinismo, che presenta in media va-<br />
lori molto bassi, scende ulteriormente toccando lo 0.1 mente l’entropia sale<br />
gradualmente fino a raggiungere il suo massimo.<br />
La polmonite batterica, invece, è una patologia causata da una infezione<br />
(figura 4.24).<br />
Il suono polmonare presenta una prima parte molto strutturata che si<br />
riscontra in alti valori di determinismo (da 0.8 a 0.6). Successivamente,<br />
si avverte la presenza sempre più frequente di <strong>suoni</strong> aggiunti <strong>polmonari</strong> che<br />
fanno diminuire i valori di determinismo e di entropia. Esaminando le misure<br />
RQA <strong>dei</strong> due pazienti nel diagramma DET -ENT è possibile verificare la<br />
netta discriminazione patologica ed in particolare possiamo notare la marcata<br />
differenza del valore del determinismo. Il soggetto affetto da alveolite allergica<br />
73
4.2. LE SERIE STORICHE ANALIZZATE 74<br />
Figura 4.23: Analisi del paziente #1 affetto da alveolite allergica estrinseca<br />
(polmonite da i<strong>per</strong>sensibilità)<br />
74
4.2. LE SERIE STORICHE ANALIZZATE 75<br />
Figura 4.24: Analisi del paziente #2 affetto da polmonite batterica<br />
75
4.2. LE SERIE STORICHE ANALIZZATE 76<br />
estrinseca manifesta valori molto bassi con media di determinismo pari al<br />
16% a differenza dell’altro paziente, caratterizzato da un determinismo che<br />
<strong>non</strong> scende mai sotto il 20% e in media del valore del 42%. Anche l’entropia<br />
risulta mediamente più bassa nel primo segnale caratterizzato invece da una<br />
lunghezza media su<strong>per</strong>iore (figura 4.25).<br />
Figura 4.25: Confronto tra polmonite da i<strong>per</strong>sensibilità e batterica<br />
Ciò spiega il motivo <strong>per</strong> cui i due pazienti si collocano in zone differenti<br />
del diagramma DET -ENT .<br />
4.2.4 Enfisema<br />
Per quanto riguarda l’enfisema sono stati re<strong>per</strong>iti i dati di un solo paziente.<br />
L’analisi <strong>non</strong> ha quindi la presunzione di poter garantire il riconoscimento<br />
76
4.2. LE SERIE STORICHE ANALIZZATE 77<br />
della malattia, né tantomeno di indicare la zona di collocamento caratteristica<br />
nel diagramma DET -ENT , ma si propongono comunque i risultati ottenuti.<br />
Enfisema<br />
#paziente RR DET ENT Lm ɛ<br />
1 0.0510 0.1251 1.8700 47.9701 0.0014<br />
Il suono polmonare di un soggetto con enfisema è sostanzialmente diverso<br />
da tutti gli altri <strong>suoni</strong> fino ad ora presentati (figura 4.26).<br />
Figura 4.26: Analisi del paziente affetto da enfisema<br />
Nella prima fase inspiratoria l’andamento presenta oscillazioni marcate,<br />
a tratti confuse, che complicano lo studio della dinamica (l’ɛ è troppo piccolo<br />
e <strong>non</strong> vengono registrate ricorrenze). Successivamente le oscillazioni vanno<br />
ad affievolirsi, il suono polmonare diventa quasi assente e il segnale sempre<br />
più regolare. Questo comportamento si riflette sul determinismo che aumenta<br />
77
4.2. LE SERIE STORICHE ANALIZZATE 78<br />
gradualmente nel corso dell’inspirazione e nell’entropia, praticamente assente<br />
nella fase iniziale, che arriva a raggiungere valori significativi a fine inspira-<br />
zione. L’entropia paradossalmente <strong>non</strong> aumenta nella fase iniziale bensì in<br />
quella finale, quando il segnale sembra aver trovato una certa stabilità.<br />
4.2.5 BPCO<br />
Le misure RQA relative alla BPCO vanno a collocarsi in una particolare re-<br />
gione del diagramma DET -ENT , formando un cluster ben compatto: come<br />
<strong>per</strong> l’asma, lo studio ha portato ad un riconoscimento della malattia. Di<br />
seguito si riportano le misure RQA trovate.<br />
BPCO<br />
#paziente RR DET ENT Lm ɛ<br />
1 0.0521 0.4813 2.3807 102.4357 0.0098<br />
2 0.0519 0.6069 2.7278 96.8397 0.0276<br />
3 0.0511 0.4831 2.6568 104.9203 0.0067<br />
4 0.0520 0.4173 2.7459 92.6166 0.0184<br />
5 0.0517 0.4158 2.5446 107.7421 0.0099<br />
Dalla tabella si può notare l’alta omogeneità presente nelle misure: valori<br />
di determinismo intorno al 50%, entropia media a 2.6 e una lunghezza media<br />
di 101. Nella figura 4.27 viene mostrato il segnale e l’andamento nel tempo<br />
delle misure di determinismo e di entropia <strong>per</strong> ogni paziente.<br />
I <strong>suoni</strong> <strong>polmonari</strong> sono generalmente piuttosto piatti e interrotti da bru-<br />
schi <strong>suoni</strong> aggiunti che si manifestano in tutto il segnale. Una sostanziale<br />
differenza viene riscontrata nel paziente #2 che presenta un suono polmonare<br />
differente dagli altri soggetti e caratterizzato da crackles nella parte iniziale<br />
dell’inspirazione e da un’entropia crescente nel tempo. Osservando i valori<br />
delle misure RQA nel diagramma DET -ENT si può notare una netta distin-<br />
zione tra i pazienti affetti da BPCO e quelli affetti da asma (figura 4.28). Il<br />
78
4.2. LE SERIE STORICHE ANALIZZATE 79<br />
Figura 4.27: Suono polmonare, andamento del determinismo e dell’entropia<br />
nel tempo <strong>dei</strong> pazienti affetti da BPCO<br />
grafico è stato ottenuto distrubuendo le misure secondo la terna: determini-<br />
smo (asse x), entropia (asse y) e lunghezza media (asse z). Le due malattie si<br />
concentrano in particolari zone del diagramma DET -ENT e nello specifico i<br />
pazienti affetti da asma si trovano a sinistra rispetto ad un soggetto normale,<br />
mentre a destra vanno a collocarsi i pazienti affetti da BPCO.<br />
Figura 4.28: Confronto fra patologie: asma e BPCO<br />
79
4.2. LE SERIE STORICHE ANALIZZATE 80<br />
4.2.6 Bronchiectasie<br />
Lo studio riguardante le bronchiectasie <strong>non</strong> ha evidenziato particolari ca-<br />
ratteristiche distintive della patologia. Nel suono polmonare sono presenti<br />
crepitazioni, sibili e gemiti dovuti alla deformazione <strong>dei</strong> bronchi: il risultato<br />
è un segnale estremamente irregolare sostanzialmente diverso da paziente a<br />
paziente. I soggetti analizzati mostrano infatti <strong>suoni</strong> <strong>polmonari</strong> differenti e<br />
<strong>non</strong> sembrano esserci particolari legami tra le misure restituite.<br />
bronchiectasie<br />
#paziente RR DET ENT Lm ɛ<br />
1 0.0511 0.5562 2.7159 100.4486 0.0288<br />
2 0.0500 0.2283 1.1433 69.8829 0.0160<br />
3 0.0507 0.3432 2.3461 101.2797 0.0229<br />
Anche il grafico tridimensionale <strong>non</strong> suggerisce nessuna relazione tra le<br />
misure che si dispongono in maniera piuttosto casuale in tutto lo spazio<br />
(figura 4.29).<br />
Osservando il suono polmonare del paziente #1 (figura 4.30) si può no-<br />
tare come “piccoli pezzetti” sembrano ripetersi e assumere un andamento<br />
quasi <strong>per</strong>iodico (rettangolini in verde): la dinamica viene catturata in parte<br />
dall’analisi esibendo valori di determinismo piuttosto alti intorno al 55%.<br />
Da notare la presenza di un crackle nella seconda metà dell’inspirazione<br />
(cerchiato di rosso) che influisce sull’andamento del determinismo. La pre-<br />
senza di crepitazioni nel suono polmonare sembra riflettersi sul determinismo<br />
facendolo abbassare: l’analisi <strong>non</strong> riconosce questi <strong>suoni</strong> respiratori aggiunti<br />
e vengono interpretati come rumore.<br />
Il paziente #2 (figura 4.31) presenta un suono polmonare sostanzialmente<br />
diverso dal primo, cambiando drasticamente aspetto a circa metà inspirazio-<br />
ne. Quì i valori di determinismo e di entropia “precipitano” sotto i valori<br />
limite e il segnale riprende il suo regolare andamento solo a fine inspirazione.<br />
80
4.2. LE SERIE STORICHE ANALIZZATE 81<br />
Figura 4.29: Pazienti affetti da bronchiectasie<br />
81
4.2. LE SERIE STORICHE ANALIZZATE 82<br />
Figura 4.30: Analisi del paziente #1 affetto da bronchiectasie<br />
82
4.2. LE SERIE STORICHE ANALIZZATE 83<br />
Figura 4.31: Analisi del paziente #2 affetto da bronchiectasie<br />
83
4.2. LE SERIE STORICHE ANALIZZATE 84<br />
L’analisi <strong>non</strong> trova più ricorrenze <strong>per</strong>ché, aumentando la varianza del<br />
segnale, l’ɛ fissato <strong>non</strong> risulta più idoneo ad elaborare il suono a metà in-<br />
spirazione. Occorerebbe quindi, anche in questo caso, andare a scegliere un<br />
valore di ɛ maggiore. Le oscillazioni nella parte centrale sono più frequenti e<br />
<strong>non</strong> <strong>per</strong>mettono una distinzione fra il suono polmonare e i rumori respiratori<br />
aggiunti.<br />
Infine, il paziente #3 sembra presentare un suono polmonare meno varia-<br />
bile anche se è visibile una significativa differenza tra la prima e la seconda<br />
metà dell’inspirazione (figura 4.32).<br />
Figura 4.32: Analisi del paziente #3 affetto da bronchiectasie<br />
Il determinismo e l’entropia registrano un valore medio pari a 0.34 e 2.34<br />
rispettivamente.<br />
84
4.2. LE SERIE STORICHE ANALIZZATE 85<br />
4.2.7 Soggetto sano<br />
Il soggetto sano analizzato presenta le seguenti misure:<br />
Soggetto normale<br />
#paziente RR DET ENT Lm ɛ<br />
1 0.0506 0.3361 2.5010 105.6762 0.0412<br />
Nel diagramma DET -ENT va a collocarsi in prossimità del centro (ri-<br />
spetto alle malattie analizzate) e come abbiamo visto, <strong>per</strong> alcune patologie<br />
come asma e BPCO, svolge una funzione di separazione.<br />
Figura 4.33: Analisi del soggetto sano<br />
Il suono polmonare di un soggetto sano, come si può notare nella figura<br />
4.33, <strong>non</strong> presenta marcate irregolarità: il determinismo assume valori piutto-<br />
sto bassi e raramente su<strong>per</strong>a il 50% anche se sembra crescere nel tratto finale.<br />
85
4.3. CONSIDERAZIONI RIASSUNTIVE 86<br />
È importante notare, invece, come il valore dell’entropia, in media 2.5010,<br />
oscilli intorno a 3 nella fase finale, valore che solitamente viene registrato in<br />
presenza di un segnale caotico (<strong>per</strong> il sistema di Lorenz, ENT ∼ 3 − 4).<br />
4.3 Considerazioni riassuntive<br />
Nella maggior parte <strong>dei</strong> casi le malattie si distribuiscono lungo una retta nel<br />
piano DET -ENT (rappresentata dalla linea rossa in figura 4.34) a seconda<br />
delle alterazioni <strong>polmonari</strong> presenti.<br />
Figura 4.34: Disposizione <strong>dei</strong> pazienti in base alle alterazioni <strong>polmonari</strong><br />
Inoltre, grazie alle conoscenze successivamente acquisite, si è riconosciuta<br />
la particolare distribuzione della fibrosi: muovendosi lungo la linea rossa, in<br />
direzione della freccia, la patologia è risultata, nel 90% <strong>dei</strong> casi, in stato di<br />
86
4.3. CONSIDERAZIONI RIASSUNTIVE 87<br />
avanzamento diverso. Sembrerebbe infatti che valori più alti di determinismo<br />
e di entropia siano associati a fibrosi ai primi stadi di avanzamento, mentre<br />
quando i valori si abbassano, la malattia diventa sempre più grave (scenden-<br />
do in direzione della freccia).<br />
Per la descrizione della fibrosi risulta necessaria l’introduzione di tre cluster<br />
in quanto i segnali <strong>dei</strong> pazienti analizzati presentano marcate caratteristiche a<br />
seconda del diverso grado di avanzamento patologico. In altri casi, invece, le<br />
analisi condotte <strong>per</strong>mettono una discriminazione fra tipologie di malattie pol-<br />
monari e la definizione di un unico cluster di appartenenza. Le malattie iden-<br />
tificate si dispongono in particolari regioni nel diagramma DET -ENT e nella<br />
figura 4.35 si mostrano i risultati delle patologie maggiormente distinguibili<br />
in relazione al soggetto sano.<br />
Figura 4.35: Discriminazione patologica<br />
87
4.3. CONSIDERAZIONI RIASSUNTIVE 88<br />
Un ulteriore punto di vista può essere ottenuto aggiungendo come terzo<br />
asse la lunghezza media <strong>per</strong> visualizzare le misure precedenti nello spazio<br />
tridimensionale (figura 4.36). Come possiamo notare l’introduzione della<br />
lunghezza media <strong>non</strong> aggiunge informazione e lo scenario rimane pressoché<br />
inalterato. L’asma è caratterizzata da bassi valori di determinismo ed en-<br />
Figura 4.36: Discriminazione patologica in 3D<br />
tropia e forma un cluster ben compatto presentando peculiarità comuni nei<br />
soggetti asmatici e al tempo stesso mostrando caratteristiche diverse dai pa-<br />
zienti affetti dalle altre patologie. La polmonite batterica sembra presentare<br />
caratteristiche molto diverse dall’alveolite allergica estrinseca (polmonite da<br />
i<strong>per</strong>sensibilità), collocandosi tra l’asma e la BPCO nel diagramma DET -<br />
ENT : le due polmoniti sono malattie differenti così come sono differenti<br />
le misure restituite dall’analisi. L’enfisema ha registrato il più basso valore<br />
88
4.3. CONSIDERAZIONI RIASSUNTIVE 89<br />
di determinismo (0.1251) ed è caratterizzata da un segnale molto irregola-<br />
re. Lo stesso vale <strong>per</strong> l’entropia e la lunghezza media che presentano valori<br />
molto bassi sostanzialmente differenti dalle altre malettie. La BPCO è ca-<br />
ratterizzata da misure RQA che presentano valori molto alti e si colloca in<br />
una particolare regione del diagramma DET -ENT , separandosi nettamente<br />
dalle altre patologie. In particolare, l’analisi del paziente #2 ha riportato<br />
un valore di determinismo pari al 60%, valore che può essere associato ad<br />
un sistema caotico. Le bronchiectasie presentano valori discordanti fra pa-<br />
ziente e paziente che <strong>non</strong> <strong>per</strong>mettono una loro distinzione in relazione alle<br />
altre malattie. Esse si dispongono in maniera dis<strong>per</strong>siva in tutto il diagram-<br />
ma DET -ENT e <strong>non</strong> è possibile, al momento, una loro classificazione. Il<br />
soggetto sano, infine, assume delle misure che lo collocano nel “centro” del<br />
diagramma DET -ENT : il determinismo si mantiene piuttosto basso men-<br />
tre il valore dell’entropia cresce in maniera significativa raggiungendo valori<br />
tipici di un segnale caotico.<br />
89
Capitolo 5<br />
Conclusioni e sviluppi futuri<br />
Lo studio <strong>dei</strong> <strong>suoni</strong> <strong>polmonari</strong> condotto in questa tesi attraverso l’analisi<br />
delle ricorrenze ha <strong>per</strong>messo di effettuare un’approfondita classificazione <strong>dei</strong><br />
segnali e, nella maggioranza <strong>dei</strong> casi, di discriminare patologie differenti e lo<br />
stato di avanzamento della malattia. In particolare, sono stati presentati i<br />
risultati relativi alla fase inspiratoria di 20 pazienti affetti da varie patologie<br />
<strong>polmonari</strong> (fibrosi, asma, BPCO, polmonite, enfisema e bronchiectasie) e di<br />
un soggetto sano. Alcune patologie, come l’asma e la BPCO, presentano<br />
caratteristiche proprie e sono risultate dall’analisi chiaramente distinguibili.<br />
Dallo studio della fibrosi è invece emersa la presenza di strutture complesse al<br />
proprio interno che necessitano la costituzione di ulteriori cluster <strong>per</strong> la loro<br />
distinzione associabile allo stato di avanzamento della patologia. Le bron-<br />
chiectasie <strong>non</strong> sono risultate facilmente identificabili in quanto sono state<br />
riscontrate caratteristiche miste analoghe ad altre patologie. Infine, abbiamo<br />
riportato i risultati relativi ai pazienti affetti da enfisema e da polmonite. I<br />
risultati sembrano coerenti con le conoscenze disponibili sulle patologie, ma<br />
la scarsa disponibilità <strong>dei</strong> dati su queste ultime malattie <strong>non</strong> ci <strong>per</strong>mette di<br />
poter caratterizzare la dinamica con esattezza. Il fatto stesso che alcune pa-<br />
tologie possano confondersi tra di loro potrebbe essere la conseguenza di una<br />
impossibile “netta” classificazione delle malattie dal punto di vista fisiologi-<br />
90
co. Potrebbe verificarsi nel paziente, infatti, la presenza simultanea di più<br />
patologie con il risultato di avere un suono polmonare costituito da più com-<br />
ponenti (indivisibili e <strong>non</strong> studiabili separatamente) ognuna derivante dalla<br />
malattia specifica. Si arriverebbe quindi alla comprensione della dinamica<br />
completa del segnale solo nel caso in cui fosse presente una componente pre-<br />
dominante che possa condizionare il fenomeno, come accade nella maggior<br />
parte <strong>dei</strong> fenomeni complessi. Secondo i nostri studi i <strong>suoni</strong> <strong>polmonari</strong> sono<br />
composti da molte parti elementari che interagiscono fra di loro in manie-<br />
ra <strong>non</strong> lineare. Al variare del tempo esse assumono un comportamento che<br />
dipende strettamente dalla componente predominante e che <strong>non</strong> può essere<br />
facilmente identificato.<br />
In alcuni casi è stato necessario rielaborare l’analisi definendo differenti valori<br />
di ɛ, diversi da quelli scelti fissando il recurrence rate, a causa dell’elevata<br />
variabilità del segnale.<br />
Successive nuove analisi sarebbero sicuramente utili <strong>per</strong> validare ulterior-<br />
mente lo studio. In particolare, sarebbe opportuno estendere lo studio ad un<br />
numero maggiore di soggetti e di pazienti con varie patologie <strong>polmonari</strong>.<br />
Si potrebbe, inoltre, ripetere l’analisi facendo scorrere una finestra sul segnale<br />
<strong>per</strong> valutarne la varianza e modificare di conseguenza il valore di ɛ nelle varie<br />
fasi dell’inspirazione. In questo modo potremmo utilizzare direttamente ɛ<br />
come misura discriminatoria, andando a valutarne il valore medio e il suo<br />
andamento nel tempo.<br />
Un altro possibile sviluppo potrebbe essere lo studio di un diverso tratto di<br />
suono polmonare, come ad esempio un’espirazione completa, <strong>per</strong> cercare di<br />
identificare altri rumori respiratori aggiunti.<br />
L’acquisizione <strong>dei</strong> <strong>suoni</strong> <strong>polmonari</strong> registrati in vari punti del torace, asso-<br />
ciata all’analisi condotta in questa tesi, potrebbe infine fornire informazioni<br />
sulla localizzazione di patologie specifiche.<br />
91<br />
91
Bibliografia<br />
[1] H.D.I. Abarbanel. Analysis of observed chaotic data. Springer, 1997.<br />
[2] H.D.I. Abarbanel, M.B. Kennel. Local false nearest neighbors and dy-<br />
namical dimensions from observed chaotic data. Phys. Rev. E, 47:3057,<br />
1993.<br />
[3] Daniele Arduini. SPORCHI DA MORIRE figli di una genHERAzione<br />
bruciata. http://www.rimini5stelle.it/2011/12/sporchi-da-morire-figli-<br />
di-una-genherazione-bruciata/, 2011.<br />
[4] J.P. Eckmann, S.O. Kamphorst, and D. Ruelle. Recurrence plot of<br />
dynamical systems. Europhysics Letters, 5:973–977, 1987.<br />
[5] European Respiratory Society. Chronic obstructive pulmonary disease.<br />
http://www.ersnet.org/images/stories/pdf/COPD.pdf.<br />
[6] Angelo Facchini, Alessio Lenzini, Chiara Mocenni e Marcello Rossi. Re-<br />
currence Quantification Analysis for the classification of lung sounds.<br />
ICNAAM.<br />
[7] A. Facchini, C. Mocenni, A. Vicino. Generalized recurrence plots for<br />
the analysis of images from spatially distributed systems. Physica D,<br />
238:162–169, 2009.<br />
[8] A. Facchini, C. Mocenni, A. Vicino. Identification of bifurcations of<br />
distributed systems with generalized recurrence quantification analysis.<br />
92
BIBLIOGRAFIA 93<br />
Proc. of the 15th IFAC Symposium on System Identification, 132–137,<br />
2009.<br />
[9] Carlo Giuntini e Claudio Merlini. L’auscultazione polmonare. Università<br />
degli studi di Pisa, Facoltà di medicina e chirurgia, 1998-1999.<br />
[10] D. Halliday, R. Resnick, J. Walker. Fondamenti di fisica. Zanichelli,<br />
seconda edizione (Meccanica, Termologia, Elettromagnetismo), 2001.<br />
[11] H. Kantz, T. Schreiber, R. Hegger. Nonlinear Time Series Analysis.<br />
Cambridge University Press, 2002.<br />
[12] R. Mañé. On the dimension of the compact invariant sets of certain<br />
<strong>non</strong>linear maps. Dynamical Systems and Turbulence, Lecture Notes in<br />
Mathematics vol. 898, Springer-Verlag, pp. 230–242, 1981.<br />
[13] Norbert Marwan, Jürgen Kurths. Nonlinear analysis of bivariate data<br />
with cross recurrence plots. Cambridge University Press, 2002.<br />
[14] N. Marwan, M.C. Romano, M. Thiel, and J. Kurths. Recurrence plots<br />
for the analysis of complex systems. Physics Letters A, vol. 302 pp<br />
299–307, 2002.<br />
[15] R. Mikami et al. International Symposium on Lung Sounds. Synopsis<br />
of proceedings. CHEST, 92(2):342-345, 1987.<br />
[16] My-<strong>per</strong>sonaltrainer.it. Bronchi e bronchioli. http://www.my-<br />
<strong>per</strong>sonaltrainer.it/fisiologia/bronchi-bronchioli.html, 2012.<br />
[17] N. Packard, J. Crutchfield, D. Farmer and R. Shaw. Geometry from a<br />
time series. Physical Review Letters, 45-9, 712–716, 1980.<br />
[18] RepubblicaSaluteInterattivi. Bronchiti,“diagnosi precoci” contro l’aria<br />
cattiva che toglie il respiro. http://www.repubblica.it/salute/interattivi/,<br />
2011.<br />
93
BIBLIOGRAFIA 94<br />
[19] M. Rossi, L. Vannuccini. A new method to detect crackles in respiratory<br />
sounds. Technology and Health Care 6, 75-79, 1998.<br />
[20] M. Rossi, L. Vannuccini. Placing crackles on the flow-volume plane: a<br />
study of relationship between the time position, the flow and the volume.<br />
Technology and Health Care 6, 91-97, 1998.<br />
[21] Walter Rudin. Real and complex analysis. Mladinska Knjiga, McGraw-<br />
Hill, 1970.<br />
[22] T. Sauer, J.A. Yorke, M. Casdagli. Embedology. Journal of Statistical<br />
Physics 65:579-616, 1991.<br />
[23] Raffaele Scala e Marcello Rossi. Dalla fisiologia alla ventilazione<br />
meccanica in pneumologia.<br />
[24] P. Sestini, E. Renzoni, M. Rossi, V. Beltrami, M. Vagliasindi. Mul-<br />
timedia presentation of lung sounds as a learning. Eur. Respir. Rev.,<br />
2000.<br />
[25] A.R.A. Sovijärvi et al. Definition of terms for applications of respiratory<br />
sounds. Eur. Respir. Rev., 2000.<br />
[26] S. Strogatz. Nonlinear dynamics and chaos. Perseus Books, 2000.<br />
[27] F. Takens. Detecting strange attractors in turbulence. Dynami-<br />
cal Systems and Turbulence, Lecture Notes in Mathematics vol. 898,<br />
Springer-Verlag, pp. 366–381, 1981.<br />
[28] Andrey Vyshedskiy et al. Mechanism of Inspiratory and Expiratory.<br />
Crackles. CHEST.<br />
[29] H. Whitney. Differentiable manifolds. Ann. Math. 37:645-680, 1936.<br />
94
BIBLIOGRAFIA 95<br />
[30] J. P. Zbilut, N. Thomasson and C. L. Webber Jr. Recurrence quantifica-<br />
tion analysis as a tool for <strong>non</strong>linear exploration of <strong>non</strong>stationary cardiac<br />
signals. Medical Engineering & Physics, 24, 53–60, 2002.<br />
95