CC BY
234
УДК 51.761, 615.47
А. П. Немирко, д-р техн. наук, Л. А. Манило, д-р техн. наук, А. Н. Калиниченко, д-р техн. наук, Санкт-Петербургский государственный электротехнический университет «ЛЭТИ»
Интеллектуальный анализ биомедицинских сигналов1
Ключевые слова: автоматический анализ биомедицинских сигналов, оценка глубины наркоза, вариабельность сердечного ритма, автоматический анализ электрокардиограммы, анализ спирограмм, системы реального времени. Key words: automated analysis of biomedical signals, anesthesia depth estimation, heart rate variability, automated ECG analysis, spirogram analysis, real-time systems.
Описана история возникновения и развития научного направления «Интеллектуальный анализ биомедицинских сигналов» на кафедре БТС СПбГЭТУ «ЛЭТИ». Дана характеристика основных научных результатов и практических разработок, а также результатов внедрения разработанных приборов и систем в промышленное производство и медицинскую практику. Приведены основные труды, опубликованные научной группой по данному направлению.
Задачи автоматического анализа биомедицинских сигналов тесно связаны с проблемами обработки сигналов, распознавания образов и обучения компьютерных систем, поэтому при разработке алгоритмов используются адаптивная фильтрация, сегментация и аппроксимация, статистическое обнаружение, корреляционное распознавание, синхронное накопление, динамический кластерный анализ формы биосигналов, структурное распознавание фрагментов [1]. В настоящей статье дан обзор исследований, проведенных на кафедре биотехнических систем (БТС) СПбГЭТУ «ЛЭТИ» в рамках этого научного направления и приведены результаты внедрения разработанных приборов и систем в промышленное производство и медицинскую практику.
1 Работа выполнялась при финансовой поддержке Министерства образования и науки РФ (госконтракт от 10.10.11 г. № 6.522.12.2016) и РФФИ (проекты № 12-01-00583, 10-01-00604 и 10-07-00496).
Обработка и автоматический анализ электрокардиосигналов
Электрокардиография (ЭКГ) как метод исследования электрической активности сердца был открыт в 1903 году У. Эйнтховеном, однако автоматическая расшифровка ЭКГ стала развиваться только с конца 1960-х годов. Сегодня автоматический анализ ЭКГ широко применяется в цифровых приборах и интеллектуальных компьютерных системах для массового обследования и клинической диагностики, клинического и амбулаторного (холтеров-ского) мониторирования, электрофизиологических и нагрузочных исследований, электрокардиостимуляции и кардиосинхронизации, наблюдения за состоянием оператора в БТС. Разработка приборов и систем автоматического анализа ЭКГ связана с созданием высокотехнологичного программного обеспечения, реализующего современные методы обработки сигналов, распознавания образов и искусственного интеллекта.
Первые работы в области автоматического анализа ЭКГ проводились на кафедре БТС в конце 1960-х годов научной группой кафедры совместно с врачами Военно-медицинской академии с целью получить алгоритмы автоматического анализа аритмий. Финансированием и внедрением этих работ в промышленность занималось конструкторское бюро завода «Измеритель», которое специализировалось на разработках кардиомониторов. Эти научные работы по автоматическому распознаванию сердечных аритмий по ЭКГ привели к созданию и внедрению в серийное производство и медицинскую практику ритмокардиоанализаторов РКА-01
и РКС-02 для оперативного врачебного контроля (1970-1980-е годы) [2]. В конце 1980-х годов в связи с появлением персональных компьютеров результаты научных исследований стали внедряться в компьютерные системы для мониторного контроля ЭКГ «РИТМОН» (рис. 1), функциональных исследований сердечно-сосудистой системы (рис. 2)
а)
и проведения нагрузочных проб в отделениях функциональной диагностики (рис. 3).
Первые научные работы кафедры БТС в области обработки и автоматического анализа ЭКГ были посвящены выявлению фоновых аритмий (мерцательной аритмии) и аритмий типа случайных событий (экстрасистол) по последовательности КК-ин-тервалов, а также применению моделей марковских цепей для построения диагностического алгоритма [3]. Для фильтрации сигнала, обнаружения зубцов и стимулирующего импульса для больных со стимуляторами использовались аналоговые методы. Был проведен цикл исследований для создания новых методов структурного распознавания образов [4], который позволил обобщить многие ранее предложенные методы.
В последующие годы проведены обширные исследования по цифровым методам фильтрации
Рис. 2
Комплекс для функциональных исследований сердечно-сосудистой системы
в)
ЭКГ, в том числе адаптивной фильтрации сетевой помехи, фильтрации базовой линии ЭКГ, методам накопления, сжатия сигнала ЭКГ, обнаружения зубцов и комплексов, классификации формы фрагментов кардиоцикла, диагностики нарушений ритма и проводимости по признакам формы кардиоцикла и последовательности интервалов КК, анализа ишемических изменений посредством анализа БТ-сегмента ЭКГ [2, 5]. Создание и исследование алгоритмов автоматического анализа ЭКГ развивались при решении многочисленных задач компьютерной ЭКГ, к которым отнесены:
• мониторный контроль ЭКГ в палатах интенсивной терапии и кардиологического наблюдения [6];
• анализ ЭКГ плода во время родов;
• анализ ЭКГ у больных с кардиостимуляторами [7];
• анализ внутриполостной ЭКГ при электрофизиологических исследованиях [8];
• анализ ЭКГ при проведении нагрузочных проб [9];
• анализ вариабельности сердечного ритма [10];
• идентификация личности по ЭКГ [11].
Биометрическая идентификация личности по электрокардиограмме
В настоящее время биометрические технологии являются одной из самых быстро развивающихся областей информационной безопасности. Нами исследована возможность построения биометрической системы идентификации личности на основе ЭКГ человека [11]. Известно, что ЭКГ является достаточно уникальной характеристикой, поскольку морфология и амплитуды регистрируемых кардио-комплексов определяются множеством индивидуальных факторов, в частности строением и положением сердца, наличием и характером патологий и т. д. Разработанная система распознавания основана на классической схеме: предобработка, формирование исходного пространства признаков, переход в редуцированное пространство признаков и классификация. В работе использовались короткие записи ЭКГ (10—20 с), регистрируемые в одном отведении с рук человека (I отведение) с частотой дискретизации 500 Гц и разрядностью, равной 12 разрядам АЦП. На этапе предобработки реализована фильтрация сигнала от помех различного генеза средствами частотно-избирательной фильтрации и коррекция дрейфа изолинии с помощью вейвлет-анализа.
Основное внимание уделено формированию исходного пространства признаков. Очевидно, что информация об особенностях работы сердца в основном содержится во фрагменте кардиоцикла, содержащем желудочковый комплекс зубцов и зубцы Р и Т (далее PQRST-фрагмент). На данном
этапе из ЭКГ сначала выделяется набор PQКST-фрагментов, синхронизованных по зубцу И. Длительность PQRST-фрагментов фиксирована и составляет 0,5 с, или 250 отсчетов. В качестве признаков PQRST-фрагментов используются их отсчеты. Далее выделенные PQRST-фрагменты подвергаются дополнительной обработке, которая повышает их сходство и включает в себя:
• коррекцию вертикального смещения PQRST-фрагментов относительно друг друга из-за возможно оставшегося небольшого дрейфа изолинии;
• отбраковку возможных нетипичных PQRST-фрагментов, обусловленных, например, движением рук, форсированным дыханием или некоторыми патологиями;
• коррекцию PQRST-фрагментов в зависимости от частоты сердечных сокращений.
Таким образом, в исходном пространстве признаков размерности N = 250 ЭКГ представляется набором PQRST-фрагментов, каждый из которых на последующих этапах работы системы рассматривается как отдельный образ, обрабатывается и классифицируется независимо от остальных. Редукция пространства признаков реализуется с помощью анализа главных компонент, в результате которого размерность пространства сократилась до N = 30.
Далее выполняется классификация полученных образов PQRST-фрагментов в редуцированном пространстве признаков с помощью линейного дис-криминантного анализа. На последнем этапе на основе полученных результатов классификации набора PQRST-фрагментов принимается решение о принадлежности всей ЭКГ конкретному классу.
Для экспериментальных исследований были собраны ЭКГ 90 человек. Регистрация проводилась в положении сидя, при этом физическое состояние и частота сердечных сокращений не ограничивались. Исходная выборка ЭКГ составила 320 записей, 200 из которых использовались для обучения системы, 120 — для тестирования. Разделение исходной выборки на обучающую и контрольную проведено с целью максимально усложнить работу системы, то есть записи в разных выборках максимально отличались по времени регистрации или физическому состоянию человека на момент регистрации.
Усредненные результаты серии экспериментов по распознаванию PQRST-фрагментов и ЭКГ определили уровень правильной идентификации ЭКГ — 96 %. Полученные результаты дают положительную оценку возможности использования ЭКГ в качестве биометрической характеристики в различных задачах биометрического контроля доступа. Таким образом, открывается новое направление исследований в области биометрических технологий, и увеличивается потенциал развития систем безопасности и систем обеспечения удобства современной жизни.
От электронно-медицинской аппаратуры — до биотехнических систем
Распознавание состояний оператора по вариабельности сердечного ритма
Мы исследовали возможность использования параметров вариабельности сердечного ритма (ВСР) для оценки степени напряжения регуляторных систем организма в стрессовых условиях и для прогнозирования устойчивости организма к воздействию тех или иных факторов. В качестве примера рассмотрим данные, полученные в ходе исследований в рамках разработки методики оценки психофизиологического состояния оператора в процессе выполнения ментальной нагрузки [12]. Последовательность КК-интервалов получалась из записей ЭКГ, регистрировавшихся в процессе специально разработанной процедуры тестирования — чередования этапов отдыха и нагрузки. Под нагрузкой понималось решение определенных когнитивных задач. На рис. 4 показаны синхронизированные по времени реализации сигналов мгновенной частоты сердечных сокращений (ЧСС), полученные у 26 различных испытуемых и результат усреднения этих кривых. На усредненной кривой отчетливо просматриваются изменения сигнала по этапам тестирования. В то же время на каждой отдельной кривой эти изменения не так явно заметны.
Задачу оценки степени психофизиологического напряжения испытуемого можно условно свести к дифференциации участков сигнала, относящихся к стадиям отдыха и нагрузки. При этом можно выделить два этапа решения данной задачи:
а) ЧСС, уд./мин
• обнаружение участков локальной стационарности сигнала с целью получить статистически состоятельные оценки параметров вариабельности сердечного ритма;
• вычисление численных показателей, непосредственно характеризующих уровень психофизиологического напряжения.
Исследование ряда альтернативных методов контроля стационарности сигнала показали, что наилучшие результаты достигаются при использовании подхода, основанного на совместном мониторинге параметров модели авторегрессии и более простых показателей, таких как среднее значение и дисперсия [13].
Выбор показателей, которые могут быть использованы для оценки уровня психофизиологического напряжения, осуществлялся на основе экспериментального исследования информативности различных статистических параметров и их разделяющей способности с точки зрения дифференциации заранее известных состояний отдыха и ментальной нагрузки. Наилучшие результаты были получены при использовании комбинации следующих трех параметров [12]:
• оценка среднего значения;
• оценка стандартного отклонения;
• сдвиг оценки автокорреляционной функции до первого пересечения нуля.
Средняя ошибка классификации состояний отдыха и нагрузки составила 19,6 %. Данная методика может найти применение в практических
0 200 400 600 800 1000 1200 г, с
б) ЧСС, уд./мин 100
50
200 400 600 800 1000 1200 г, с
0
Рис. 4
Пример кривых индивидуальных реакций испытуемых (а) и результата усреднения по ансамблю 26 реализаций (б)
задачах, связанных с необходимостью текущего контроля психофизиологического состояния человека-оператора в процессе выполнения им заданий повышенной сложности и ответственности.
Анализ глубины наркоза по ЭЭГ
Одним из важнейших условий успешного проведения хирургических операций является надежный контроль глубины анестезии. Как показали исследования, наиболее полную информацию о степени воздействия анестетиков на пациента содержит электроэнцефалограмма (ЭЭГ). Ее автоматический анализ позволяет адекватно оценить уровень функциональной активности головного мозга и выбрать такой режим ввода анестетиков, при котором поддерживается необходимая глубина наркоза и обеспечивается безопасность для пациента. Установлено, что переход пациента в состояние глубокого наркоза сопровождается характерными изменениями, проявляющимися в спектральных характеристиках и степени хаотичности сигнала. Поэтому в данном исследовании для разработки методов и алгоритмов автоматической оценки глубины анестезии используются два подхода к анализу ЭЭГ. Во временной области предложено анализировать параметры аппроксимированной энтропии [14], а в частотной — оценивать спектральную энтропию [15].
Аппроксимированная энтропия (АЭ) вычисляется как приближенная оценка энтропии Колмогорова:
ApEn(m) = [em (r) - em+1(r)];
(1)
1 N-m+1
em (r) = N-m + 1 ^ ln Cm (0. m = 1 ..., L,
i=1
где т — длина анализируемых последовательностей; г — величина порога, задающего размеры ячеек фазового пространства; N — число отсчетов в анализируемом фрагменте сигнала, Ст (О — число пар цепочек длины т, максимальное расстояние между которыми меньше г.
С использованием широком класса модельных сигналов показано, что ApEn(m) отражает степень сложности дискретного процесса: чем выше степень хаотичности, тем больше значение этой величины. Однако установлено, что при анализе конечных выборок данных возникает эффект ложной регулярности сигнала в связи с ростом числа одиночных цепочек при увеличении m, не обеспечивающих приращения энтропии. В наших работах предложены способы коррекции АЭ, исключающие из рассмотрения цепочки, являющиеся по своей природе неизвестными. При анализе ЭЭГ это преобразование позволяет оценивать ряд интегральных параметров АЭ, в том числе минимум скорректированной оценки энтропии min {ApEncor (m)}.
m=1...L
Спектральная энтропия (СА) основана на вычислении спектральной плотности мощности (СПМ) сигнала и рассчитывается в диапазоне частот [/1, /2] как сумма
/2
Е[/, /2] = £ Рн(/ )log
/ =/1
1
Л/).
где Рн(/{) — составляющие нормализованного спектра.
Преимуществом СА является возможность отдельно оценивать вклад в энтропию составляющих, находящихся в любом заданном диапазоне частот. Оба показателя АЭ и СЭ нормализуются до представления каждого в шкале значений от 0 (полная регулярность) до 100 (максимальная нерегулярность).
В ходе экспериментов на основе анализа критерия Фишера J проведена оптимизация параметров предложенных алгоритмов распознавания стадий анестезии. Получены экспериментальные зависимости критерия J, позволившие выбрать значения следующих параметров: длина анализируемых фрагментов ЭЭГ, величина порога г, максимальная длина цепочек Ь — для метода АЭ, а также способ вычисления СПМ, диапазон частот ЭЭГ [/1, /2] — для показателя СЭ. Частота дискретизации ЭЭГ выбрана равной 500 Гц. Методика и результаты
Рис. 5
Пример анализа ЭЭГ-сигнала в ходе одной из операций по показателю СЭ: 1 — Б!^-монитор; 2 — предложенный алгоритм
оптимизации алгоритмов анализа ЭЭГ подробно представлены в работах [14, 15].
Разработанные алгоритмы СЭ и АЭ были включены в состав программного обеспечения специального прибора — монитора анестезии. Последний прошел клиническую апробацию совместно с известным BIS-монитором (Aspect Medical Systems), рассчитывающим оценку глубины анестезии на основе анализа биспектра ЭЭГ. Испытания прибора проводились во время анестезиологического обеспечения хирургических операций у 30 пациентов. Длительность операций составляла от 1 до 6 ч.
На рис. 5 в качестве примера приведен график изменения показателя СЭ, полученный в ходе одной из операций. На данном графике можно выделить следующие основные участки: бодрствование (до 400 с), первоначальный ввод анестетика (пропо-фола) (400 с), добавление анестетика по ходу операции (4700, 5400, 6400 с), пробуждение пациента (10 800 с). Сравнительный анализ показателей АЭ, СЭ и данных BIS-монитора, проведенный с привлечением множества пациентов и использованием статистических методов обработки экспериментальных данных, показал хорошую согласованность результатов мониторирования ЭЭГ. В настоящее время опытная партия отечественных мониторов анестезии запущена в производство.
Анализ спирограмм при искусственной вентиляции легких
Известно, что мониторинг состояния пациента в условиях респираторной поддержки предполагает анализ спирометрических кривых, включающих в себя скалярные (давление, поток и объем) и двумерные функции, представленные в виде петель «объем — давление» (ОД) и «поток — объем» (ПО) [16]. Интерпретация получаемых в ходе длительных операций спирометрических данных особенно важна для объективной оценки текущего состояния пациента. Однако она, во-первых, затруднена необходимостью непрерывного слежения за больным, в том числе и по строящимся кривым, и, во-вторых, во многом зависит от опыта и профессиональной подготовки специалиста. В связи с этим важной представляется задача автоматического обнаружения отклонений в режимах искусственной вентиляции легких (ИВЛ), а также распознавания патологий органов дыхания, требующих срочной врачебной помощи и коррекции текущего режима вентиляции. Предлагаемое исследование направлено на создание методов и алгоритмов мониторинга функций внешнего дыхания при ИВЛ по спирографическим петлям, как наиболее полно отражающим особенности изменения дыхательного цикла.
На рис. 6, 7 приведены примеры зарегистрированных в условиях клиники спирографических петель пациентов при ИВЛ в условиях отсутствия и
а) 1000 800 ч 600
.g 400 О
200
10 20 30
Давление, см вод. ст.
10
500 Объем, мл
1000
Рис. 6
Пример спирографических петель пациента в режиме вентиляции с управляемым давлением. Выраженные патологии органов дыхания отсутствуют
а) 1000
800 600 400 200
10 20 30
Давление, см вод. ст.
б)
500 Объем, мл
1000
Рис. 7
Пример спирографических петель пациента в режиме вентиляции с управляемым давлением.
У пациента наблюдается острый респираторный дистресс-синдром
0
0
0
наличия патологий органов дыхания. Можно заметить, что при патологии изменяются размеры петли, на кривой ОД наблюдается резкий завал петли к горизонтальной оси (снижается растяжимость легких) и расширение ее вдоль оси давления (повышается сопротивление дыхательных путей). Указанные смещения кривых ОД и изменения в конфигурации петель могут быть распознаны следующим образом.
На этапе предварительной обработки петли представляются в виде цепных кодов, описывающих упорядоченное множество пикселей анализируемой кривой. Начальную точку отсчета можно задать в виде точки начала дыхательного цикла. Далее, используя повторную дискретизацию с увеличенным шагом на сетке, петли задают в виде новых цепных кодов, обеспечивающих компактное описание кривых. Затем оценивается ориентация петель относительно направления, соответствующего нормальному значению динамической растяжимости легких, а также анализируются отклонения в форме петель.
Смещение оси фигуры определяется по изменению угла наклона прямой, соединяющей точки начала и конца вдоха. Уменьшение угла наклона петли при сохранении ее формы свидетельствует о снижении величины растяжимости легких. Изменение формы петли относительно исходной, заданной режимом ИВЛ, можно обнаружить двумя способами: на основе формирования и последующего анализа информативного набора признаков, а также путем сопоставления номеров фигур по цепным кодам [17]. В качестве числовых признаков предлагается рассмотреть следующий набор параметров:
• длину петли и площадь области, ограниченной петлей;
• ширину петли;
• эксцентриситет базового прямоугольника, направление большой оси которого задается вектором динамической растяжимости легких;
• кривизну петли (вычисляется отдельно на сегментах вдоха и выдоха).
Эти признаки используются для формирования га-мерных векторов, описывающих распознаваемые петли, и составления основополагающих правил для их классификации. В случае слежения за изменениями в режиме ИВЛ можно фиксировать отклонения значений этих признаков на величину, превышающую некоторый заданный в процентном отношении порог. Например, по изменению ширины петли можно выявить признаки обструкции дыхательных путей.
Нумерация фигур составляется по компактным цепным кодам. Вначале строится разностный код, который инвариантен относительно поворота петли. Для того чтобы сделать его инвариантным к изменению масштаба фигуры, сетку квантования можно ориентировать вдоль главной оси анализируемой петли. Затем путем нахождения разностного кода с минимальным численным значением
определяется номер фигуры и вычисляется степень сходства петель к. Величина к находится как максимальное значение порядка Ь номера фигуры, при котором цепные коды еще совпадают. Например, если А и В замкнутые фигуры с цепными кодами ^¿(А) и ^¿(В), Ь = 4, 6, ..., га, то степень их сходства равна к, если
(А) = S¿ (В) при Ь = 4,6,8, ..., к; БЬ (А) Ф БЬ (В) при Ь = к + 2, ..., га.
Величина Д(А, В) = 1/к может рассматриваться как мера расстояния между фигурами А и В.
Проведены модельные эксперименты, позволившие обосновать способы описания петель. Показана возможность применения предлагаемых методов анализа спирографических кривых для мониторинга происходящих в ходе ИВЛ изменений и патологических отклонений. Разработанные практические алгоритмы предполагается использовать в составе программного обеспечения аппарата ИВЛ с расширенными диагностическими возможностями.
Заключение
За годы работы научной группы в ее состав входили многочисленные студенты, аспиранты, инженеры, врачи, научные сотрудники и преподаватели. По данному направлению защищены 3 докторские и 20 кандидатских диссертаций. Благодаря плодотворному сотрудничеству с врачами работы были ориентированы на практическое применение в медицине, созданные компьютерные системы широко внедрены в больницах России и за рубежом. Сегодня данное научное направление на кафедре БТС СПбГЭТУ продолжает активно развиваться, новые научные результаты и практические достижения находят практическое применение в здравоохранении.
| Литература |
1 Рангайян Р. М. Анализ биомедицинских сигналов. Практический подход / Пер. с англ. А. Н. Калиниченко; под ред. А. П. Немирко. М.: Физматлит, 2007. 440 с.
2. Кардиомониторы. Аппаратура непрерывного контроля ЭКГ / А. Л. Барановский, А. Н. Калиниченко, Л. А. Манило и др.; под ред. А. Л. Барановского и А. П. Немирко. М.: Радио и связь, 1993. 248 с.
3. Теория и проектирование диагностической электронно-медицинской аппаратуры / В. М. Ахутин, О. Б. Лурье,
A. П. Немирко и др. Л.: Изд-во Ленингр. ун-та, 1980. 148 с.
4. Немирко А. П. Цифровая обработка биологических сигналов. М.: Наука, 1984. 144 с.
5. Биотехнические системы: Теория и проектирование /
B. М. Ахутин, А. П. Немирко, Н. Н. Першин и др. Л.: Изд-во Ленингр. ун-та, 1981. 220 с.
6. Вальденберг А. В., Калиниченко А. Н. Мониторный контроль ЭКГ в интенсивной терапии //Мир медицины. 1999. № 1-2. С. 42-45.
7. Немирко А. П., Гасанов М. М., Егоров Д. Ф. Распознавание волн ЭКГ при кардиостимуляции. Известия ЛЭТИ. 1986. Вып. 367. С. 53-58.
8. Немирко А. П., Ли 3. Р. Фильтрация для выделения по- 13. тенциала пучка Гиса по внутриполостной ЭКГ // Известия ЛЭТИ. 1987. Вып. 385. С. 108-113.
9. Немирко А. П., Манило Л. А., Милева К. Н. Алгоритмы измерения и анализа параметров ST-сегмента ЭКГ для 14. систем автоматического наблюдения за состоянием человека // Вопросы кибернетики. 1991. Вып. 164. С. 127-141.
10. Manilo L. A., Rodina N. I. Investigation of a Model of the Cardiac Rhythm Pacemaker Control for the Spectral Analysis of a Rhythmogram // Pattern Recognition and 15. Image Analysis. 2001. Vol. 11, N 2. P. 342-344.
11. Немирко А. П., Луговая Т. С. Биометрическая идентификация личности по электрокардиограмме // Математические 16. методы распознавания образов. 12-я Всерос. конф.: Сб. докл. М.: МАКС Пресс, 2005. C. 387-390. 17.
12. Юрьева О. Д., Калиниченко А. Н., Зотов М. В. и др. Исследование информативности показателей вариабельности сер-
дечного ритма для оценки психофизиологического состояния человека при выполнении ментальной нагрузки», — Биотехносфера. 2010. № 5-6 (11-12). С. 36-42. Калиниченко А. Н., Юрьева О. Д. Оценка стационарности сигнала при спектральном анализе вариабельности сердечного ритма // Биомедицинская радиоэлектроника. 2009. № 11. С. 26-31.
Манило Л. А., Волкова С. С. Анализ параметров аппроксимированной энтропии в задаче оценки глубины наркоза по ЭЭГ // Биомедицинская радиоэлектроника. Биомедицинские технологии и радиоэлектроника. 2012. № 11. С. 58-61.
Калиниченко А. Н., Манило Л. А., Немирко А. П. и др.
Оценка глубины анестезии по ЭЭГ на основе спектральной энтропии // Биотехносфера. 2010. № 3 (9). С. 27-34. Лебединский К. М., Мазурок В. А., Нефедов А. В. Основы респираторной поддержки. СПб.: МАПО, 2006. 213 с. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2005. 1072 с.
|
УДК 65.018+615.478
Г. Н. Пахарьков, канд. техн. наук,
Санкт-Петербургский государственный электротехнический университет «ЛЭТИ»
Дуальная система оптимизации медико-технического оснащения учреждений здравоохранения
Ключевые слова: здравоохранение, качество, коалиция экспертов, критерии технического качества, медико-техническое оснащение, метод анализа иерархий, научно-технический уровень, экспертный опрос. Key words: public health, quality, expert questioning, criteria technical quality, physician-technical equipping, method of the analysis hierarchy, research level, coalitions expert.
Приведены основные результаты работ в области построения системы качества медико-технического оснащения учреждений здравоохранения в рамках направления «Медико-технический менеджмент», развиваемого в СПбГЭТУ «ЛЭТИ».
Введение
Проводимая реформа отечественного здравоохранения, в соответствии с которой запланировано
создание и внедрение стандартов медицинских услуг (МУ), требует обязательной разработки и реализации системы эффективного технического и технологического обеспечения лечебно-профилактических учреждений (ЛПУ). Это приводит к необходимости обновления технического парка ЛПУ, для чего, в свою очередь, требуется разработать стандарты их медико-технического оснащения (МТО). В статье кратко изложены результаты проведенных на кафедре биотехнических систем (БТС) СПбГЭТУ «ЛЭТИ» теоретико-методологических исследований [1-10], в том числе разработки моделей оценки качества МТО.
