CC BY
4Информационно-вычислительные технологии, искусственный интеллект и обработка больших данных в медицине
SCD RISK STRATIFICATION IN PATIENTS WITH HYPERTROPHIC CARDIOMYOPATHY USING
MACHINE-LEARNING
Dima M.-T.1, Dima M.1, Dima S.N.2
1Hyperion University of Bucharest, Bucharest, Romania 2Privolzhsky Research Medical University, Nizhny Novgorod, Russia Scientific advisors: Mihailescu M., lect. univ. dr., Dima M.-O., Ph.D., prof.
Research Relevance. Machine learning is becoming an important component of clinical medicine, particularly In risk assessment - and to varying degrees in diagnosis also. Compared to "classical" risk assessing methods for sudden cardiac death (SCD) in patients with hypertrophic cardiomyopathy (HCM) - such as HCM Risk-SCD, that use just a few clinical variables, machine learning (ML) takes into consideration a significantly wider range of variables. Goal: study of risk stratification of SCD in patients with HCM using ML.
Materials and Methods. Analysis of bibliographic sources from PubMed, Scopus and Elsevier for the last 10 years. Results. Smole T. et al. developed the "HCM-RSS" model for risk stratification in patients with HCM based on a broad set of methods: random forests, boosting trees, support vector machine and neural networks (with clinical, genetic, imaging and laboratory data) [1]. The data reported better ventricular tachycardia prediction (which may be the cause of SCD), with an AUC of 0.90.
The study [2] - from 2021, also selected 4 ML approaches, death due to SCD being one of the outcomes. Data from 183 patients with HCM were analyzed using a reference model (based on logistic regression of 8 previously established clinical parameters) and an ML model with 20 predictors. The ML prediction accuracy was 85 %, compared to that of the reference model of just 73 %. Similar results were demonstrated by other studies [3, 4].
Conclusion. Currently, clinical data embodies also a large amount of laboratory data, the processing of which can be vast. ML is capable of analysing this data and presenting it in a human-decision format, having strong future potential in the analysis of data from different sources and in risk modeling.
References
1. Smole T. et al. A machine learning-based risk stratification model for ventricular tachycardia and heart failure in hypertrophic cardiomyopathy. Computers in biology and medicine. 2021 ;135:104648.
2. Kochav S. M. et al. Predicting the development of adverse cardiac events in patients with hypertrophic cardiomyopathy using machine learning. International Journal of Cardiology. 2021 ;327:117-124.
3. Bhattacharya M. et al. Identifying ventricular arrhythmias and their predictors by applying machine learning methods to electronic health records in patients with hypertrophic cardiomyopathy (HCM-VAr-risk model). The American journal of cardiology. 2019;123(10):1681 -1689.
4. Alis D. et al. Assessment of ventricular tachyarrhythmia in patients with hypertrophic cardiomyopathy with machine learning-based texture analysis of late gadolinium enhancement cardiac MRI. Diagnostic and Interventional Imaging. 2020;101(3):137-146.
ПРОБЛЕМА ФИЛЬТРАЦИИ МАТЕМАТИЧЕСКИМИ МЕТОДАМИ ЭЛЕКТРОКАРДИОСИГНАЛОВ С УСТРОЙСТВА ДЛЯ ПОСТОЯННОГО МОНИТОРИНГА БИОСИГНАЛОВ
Внуков Е.В.
Саратовский государственный технический университет, Саратов, Россия Научный руководитель: Барулина М.А., д-р физ.-мат. наук
Введение. Разработка и внедрение систем постоянного мониторинга физиологического состояния сердца человека для использования самим пациентом в домашних условиях в настоящее время является актуальной. Эта актуальность обусловлена тем, что смертность от сердечно-сосудистых заболеваний достигает 31 % от всех смертей в год в России, а догоспитальная смертность при остром инфаркте миокарда достигает 60 %. Большую часть этих смертей можно было бы предотвратить при постоянном мониторинге и своевременной медицинской помощи. Постоянный мониторинг может быть реализован с помощью носимого устройства для круглосуточного съема биосигналов.
Информационно-вычислительные технологии, искусственный интеллект и обработка больших данных в медицине
Для своевременной сигнализации о скором возможном наступлении критической ситуации поступаемые сигналы должны быть обработаны в реальном времени с помощью алгоритмов искусственного интеллекта (ИИ), которые должны работать в условиях ограниченных вычислительных ресурсов. Соответственно, сигнал, который будет поступать на вход ИИ, должен быть как можно более полным. В ходе решения данной задачи были проанализированы существующие подходы к фильтрации электрокардиосигнала [1, 2] и была осуществлена попытка разработать фильтр, который учитывает шумы, вызываемые в результате постоянного ношения устройства, при этом сохраняет параметры полезного сигнала на достаточном уровне для его обработки методами искусственного интеллекта.
Обоснование применения адаптивных алгоритмов для анализа электрокардиосигнала. Ранее в цифровой обработке сигналов в основном использовались методы линейной фильтрации в связи с наличием подходящего математического аппарата, простотой понимания и расчета. Однако, например, при использовании линейных фильтров нижних частот острые зубцы Q, R, S и другие высокочастотные компоненты электрокардиосигнала сглаживаются. Вследствие этого теряются информативные признаки, которые содержатся в этих высокочастотных компонентах и должны быть сохранены для дальнейшей интерпретации и анализа. При этом если расширить полосу пропускания фильтра нижних частот, часть частотного спектра помех оказывается в полосе пропускания фильтра, и, соответственно, эти помехи не будут подавлены. Таким образом, применение линейных фильтров не обеспечивает высокого качества подавления помех в электрокардиосигнале, к тому же приводит к искажению электрокардиосигнала и смещению основных компонентов кардиограммы и, соответственно, такой сигнал будет малопригоден для обработки с помощью ИИ.
Обработка электрокардиосигнала как нестационарного сигнала. Проанализировав существующие подходы к фильтрации нестационарных сигналов, было принято решение использовать и модифицировать для фильтрации электрокардиосигнала следующие методы:
- декомпозицию на эмпирические моды (англ. Empirical mode decomposition - EMD);
- внутреннюю декомпозицию по шкале времени (англ. Intrinsic time-scale decomposition - ITD).
Алгоритм EMD выделяет базовую линию и позволяет получить эмпирическую моду с четко определенной мгновенной амплитудой и частотой. Цель EMD заключается в выделении сигнала, имеющего строго положительные значения на всех локальных максимумах и строго отрицательные значения на всех локальных минимумах. После получения первой моды она вычитается из входного сигнала, и процесс повторяется на результирующем сигнале более низкой частоты, пока все исходные волны не будут удалены и не будет выделен тренд исходного сигнала, после чего к полученным модам применяется преобразование Гильберта для извлечения мгновенной информации об амплитуде и частоте.
Алгоритм ITD позволяет разложить сигнал на сумму высокочастотных компонентов, для которых мгновенная частота и амплитуда четко определены, и монотонный тренд (аналоги эмпирических мод в EMD). Алгоритм сохраняет точную временную информацию о критических точках сигнала и бегущих волнах с временным разрешением, равным временному масштабу появления экстремальных точек во входном сигнале.
На основе данных методов анализа нестационарных сигналов была предпринята попытка разработать адаптивный фильтр, сохраняющий параметры полезного сигнала на достаточном уровне для его обработки методами искусственного интеллекта.
Литература
1. ECG Signal Processing, Classification and Interpretation: A Comprehensive Framework of Computational Intelligence. Ed. Gacek A., Pedrycz W.. Springer London, 2014. 278.
2. Волосатова Т.М., Спасенов А.Ю., Логунова А.О. Автоматизированная система анализа и интерпретации электрокардиосигнала. Радиостроение. 2016;1:1-18.
ОЦЕНКА УРОВНЯ ЗДОРОВЬЯ ЧЕЛОВЕКА ПРИ ИСПОЛЬЗОВАНИИ БИОМАРКЕРОВ НУЛЕВОГО ТИПА
Кокорин Е.М.
Колледж экономики и информатики им. А.Н. Афанасьева, Ульяновск, Россия Научный руководитель: Кокорин В.Н., д-р техн. наук, профессор
Любую сложную систему можно представить в виде поэлементной структуры и характеристик ее составляющих -точных и вероятностных, при этом используются лишь отклики так называемого «естественного разума», -моделирующей установкой самого организма, обеспечивающей выделение, переработку и трансформацию текущей информации/сигналов для коррекции развития в определенном жизненном цикле развития биосистемы.
Используя элементы искусственного разума при создании цифровых двойников как клетки, так и органов/систем, выявляется возможность корректирования и планирования развития психосоматики при анализе текущих индикаторов здоровья. Использование системы управляющих уравнений на основе текущих величин данных диагностического лабораторного обследования организма человека по основным биомаркерам (в том числе и на субклиническом уровне) позволит повысить качество, продуктивность и продолжительность жизни человека.
К основным критериям оценки состоянии здоровья следует отнести массу тела, пульс, объем талии и бедер, жизненную емкость легких, кислотно-щелочной баланс, артериальное давление, величину холестерина, уровень глюкозы и
