Научный руководитель: Суворов Станислав Вадимович,
заведующий кафедрой прикладной информатики, кандидат экономических наук, профессор
Введение
Сердечно-сосудистые заболевания (ССЗ) представляют собой одну из главных угроз здоровью населения, оставаясь основной причиной смертности во многих странах. Несмотря на развитие медицины, высокая распространенность этих заболеваний обусловлена множеством факторов, включая генетическую предрасположенность, образ жизни и экологические условия. Эффективная диагностика и прогнозирование ССЗ имеют решающее значение для своевременного лечения и снижения летальности. В последние годы цифровые технологии, в частности методы анализа больших данных, открывают новые возможности для повышения точности диагностики и персонализированного подхода к лечению.
Актуальность
Традиционные методы диагностики ССЗ, такие как электрокардиография, эхокардиография и биохимические исследования крови, имеют ряд ограничений, связанных с их чувствительностью и необходимостью экспертной интерпретации. При этом рост заболеваемости, особенно среди молодых людей, требует новых решений для своевременного выявления патологий. Использование технологий больших данных позволяет анализировать разнородные медицинские сведения, включая данные носимых устройств и электронных карт, что открывает перспективы для создания более точных и автоматизированных методов диагностики. Интеграция таких подходов может повысить эффективность выявления заболеваний на ранних стадиях, снизить нагрузку на систему здравоохранения и улучшить прогнозирование индивидуальных рисков развития ССЗ.
Цель и задачи исследования
Цель – обоснование новых подходов к диагностике и прогнозированию ССЗ с применением технологий больших данных. Для этого анализируется актуальность проблемы, исследуются возможности ИИ, предлагаются алгоритмы обработки медицинских данных и оцениваются их преимущества.
Научная новизна
Исследование предлагает новый подход к диагностике и прогнозированию сердечно-сосудистых заболеваний, основанный на использовании технологий больших данных и цифровых двойников пациентов. В работе рассматриваются методы интеграции разнородных медицинских данных, включая физиологические показатели, результаты лабораторных исследований и данные носимых устройств, для построения индивидуализированных моделей диагностики. Разработка алгоритмов обработки и анализа таких данных позволяет выявлять ранние признаки заболеваний, повышать точность прогнозирования и разрабатывать персонализированные стратегии профилактики и лечения.
Традиционные методы диагностики и прогнозирования сердечно-сосудистых заболеваний предполагают собой инструментальные исследования, лабораторные анализы и клинические данные, которые обеспечивают комплексный подход к диагностике.
Электрокардиография (ЭКГ) является одним из наиболее распространённых методов диагностики сердечных патологий. Она позволяет регистрировать электрическую активность сердца и выявлять отклонения в ритме, проводимости, ишемии и гипертрофии миокарда. Несмотря на доступность и низкую стоимость, ЭКГ часто требует дополнительной интерпретации опытным специалистом, особенно при анализе сложных случаев [2].
Ультразвуковое исследование сердца (УЗИ, эхокардиография) сердца используется для визуализации структуры и функции сердца. Оно позволяет оценить размеры камер, толщину стенок, движение клапанов, а также выявить аномалии, такие как пороки сердца или наличие тромбов. Эхокардиография особенно эффективна для диагностики сердечной недостаточности, клапанных заболеваний и кардиомиопатий.
Биохимические исследования крови играют важную роль в диагностике и прогнозировании ССЗ. Анализ уровня тропонинов, липидного профиля (холестерин, ЛПНП, ЛПВП), С-реактивного белка и маркеров воспаления позволяет оценить риск развития инфаркта миокарда, атеросклероза и других ССЗ [2].
Клинический анамнез и физикальное обследование остаются важными компонентами диагностики. Врач анализирует жалобы пациента, историю болезни, наличие факторов риска (гипертония, диабет, ожирение, курение), а также проводит измерение артериального давления, частоты пульса и аускультацию сердца.
Однако традиционные методы имеют ряд ограничений, таких как недостаточная чувствительность на ранних стадиях заболеваний и сложность обработки больших объёмов данных. Это создаёт предпосылки для поиска и внедрения новых технологий, включая методы анализа больших данных, которые могут значительно расширить возможности современной кардиологии.
Современные методы диагностики сердечно-сосудистых заболеваний продвинулись благодаря достижениям в области анализа больших данных и искусственного интеллекта. Несмотря на достигнутый прогресс, необходимость повышения точности моделей, снижения влияния шумов и учета индивидуальных особенностей пациентов остается актуальной.
Одним из наиболее эффективных решений могут стать цифровые двойники пациентов. Иначе говоря, это виртуальный пациент, точно копирующий настоящего пациента. Эта модель сочетает в себе физиологические данные (ЭКГ, артериальное давление, частоту сердечных сокращений), лабораторные анализы и историю болезни. Технология поможет врачу лучше изучить болезнь, прогнозировать развитие и течение заболевания. С его помощью врачу будет проще подобрать индивидуальное и наиболее эффективное лечение.
Все это увеличит шансы пациентов на успешное выздоровление, снизит смертность от заболеваний, повысит качество и продолжительность жизни людей [2].
Для реализации цифровых двойников могут использоваться носимые устройства, такие как умные часы или фитнес-трекеры, которые собирают данные в реальном времени, и платформы анализа больших данных, позволяющие динамически обновлять модель и обеспечивать быстрое вмешательство при ухудшении состояния пациента.
Традиционные методы машинного обучения, такие как нейронные сети, могут применяться для глубокого обучения на совокупных физиологических, демографических и генетических данных пациента для создания более точных моделей диагностики. Сверточные нейронные сети позволят проводить анализ изображений УЗИ или МРТ сердца. Для анализа колебания артериального давления или сердечных ритмов применяются рекуррентные нейронные сети.
Для более точного прогнозирования сердечно-сосудистых заболеваний может использоваться комбинация сверточных и рекуррентных нейронных сетей, а также автокодировщики – специальная архитектура искусственных нейронных сетей, позволяющая применять обучение без учителя при использовании метода с обратного распространения ошибки для выявления скрытых закономерностей в данных и их последующего использования в диагностике [3].
Как упоминалось ранее, сбор данных для анализа физиологических показателей пациентов производится при помощи носимых устройств, умных сенсеров. Программы мониторинга собирают широкий спектр данных о состоянии здоровья: частоту и вариабельность сердечного ритма, вес, артериальное давление, уровень сахара в крови (например, через неинвазивный датчик FreeStyle Libre), уровень кислорода в крови (датчик сатурации SpO2), электрокардиограмму (на основе компактных гаджетов для кардиоанализа) [4].
Благодаря интернету вещей врачи могут получать данные о состоянии пациента, находящегося дома, и принимать решения о необходимости вмешательства. За счет постоянного потока данных улучшается точность моделей диагностики и прогнозирования сердечно-сосудистых заболеваний.
Для обозрения в данной работе был выбран метод создания цифрового двойника пациента для диагностики ССЗ, как наиболее перспективный.
Для реализации инновационных методов диагностики ССЗ потребуется использование современных технологий, инструментов и устройств, которые обеспечивают сбор, обработку и анализ данных, а также моделирование индивидуальных характеристик пациента.
Для реализации цифровых двойников пациентов первоначально производится обработка данных, таких как ЭКГ (представляющие временные ряды сигналов), данные артериального давления, частоту сердечных сокращений и т. д.
Производится фильтрация шумов из ЭКГ и других временных рядов при помощи алгоритма цифровой фильтрации, например, фильтр Буттерворта, как это описано в статье [6].
Произвести обработку текстовых данных истории болезни. Одна из самых известных библиотек для обработки текстовых данных на Python – NLTK (Natural Language Toolkit). Она включает в себя несколько разных токенизаторов, которые используются для разделения текста на токены (отдельные слова или другие единицы текста) с помощью регулярных выражений, правил разметки и пробелов в тексте [7].
Данные физиологических показателей вводятся в рекуррентную нейронную сеть, чтобы моделировать динамические изменения состояния пациента. И производится интеграция всех источников данных с использованием Transformer (архитектура нейронных сетей, позволяющая параллельно обрабатывать информацию из разных частей последовательности) [8]. Данные, поступающие в реальном времени, автоматически обновляют цифровой двойник через облачные платформы.
В результате диагностика основывается на анализе отклонений в моделируемых показателях пациента, таких как изменения интервалов QT на ЭКГ или скачки артериального давления.
Заключение
Ожидаемые результаты внедрения цифровых двойников пациентов и связанных с ними технологий для диагностики сердечно-сосудистых заболеваний отражают значительный потенциал для улучшения качества медицинской помощи. Прежде всего, предполагается, что использование цифровых двойников обеспечит повышение точности диагностики за счет интеграции физиологических, демографических и генетических данных и использования мультимодальной архитектуры. Такой подход позволит учитывать индивидуальные особенности пациента.
Реализация моделей, основанных на современных методах машинного обучения, включая рекуррентные нейронные сети и архитектуру Transformer, создаст условия для более глубокого анализа и прогнозирования состояния пациента. Обработка потока данных в режиме реального времени на облачных платформах будут способствовать своевременному выявлению отклонений, таких как изменения в сердечном ритме, интервалах QT на ЭКГ или скачках артериального давления.
Немаловажным результатом станет улучшение оперативности медицинского вмешательства. Постоянный мониторинг и автоматическое обновление данных о состоянии пациента позволят медицинским специалистам быстрее реагировать на ухудшение состояния.
Библиографический список
- Эпидемиология и классификация сердечно-сосудистых заболеваний // Министерство здравоохранения воронежской области URL: https://vokb2.zdrav36.ru/novosti/2022-04-12-epidemiologiya-i-klassifikatsiya-serdechno-sosudistyih-zabolevaniy. (дата обращения: 20.12.2024);
- Обследования при подозрении на сердечно-сосудистые заболевания. Ранняя диагностика ССЗ. // Profilactika URL: https://profilaktica.ru/for-population/profilaktika-zabolevaniy/serdechno-sosudistye-zabolevaniya/diagnostika-ssz/ (дата обращения: 20.12.2024).
- Цифровые двойники в медицине: помощь врачам, здоровье — пациентам // Сеченовский Университет URL: https://www.sechenov.ru/pressroom/news/tsifrovye-dvoyniki-v-meditsine-pomoshch-vracham-zdorove-patsientam/ (дата обращения: 19.12.2024);
- Автокодировщик // ИТМО URL: https://neerc.ifmo.ru/wiki/index.php?title (дата обращения: 19.12.2024);
- Показатели здоровья и медицина в карантине // Хабр URL: https://habr.com/ru/companies/vk/articles/495000/ (дата обращения: 20.12.2024);
- Белобродский В.А. Туровский Я.А. УПРАВЛЕНИЕ СОЗДАНИЕМ ЦИФРОВЫХ ФИЛЬТРОВ В МЕДИЦИНСКИХ ЗАДАЧАХ // Воронежский государственный университет. – С. 1705-1708.
- Краткий обзор токенизаторов // Хабр URL: https://habr.com/ru/articles/800595/ (дата обращения: 20.12.2024);
- Основные компоненты и архитектура трансформеров // Skypro URL: https://sky.pro/wiki/python/transformery-novaya-era-v-nejrosetyah/ (дата обращения: 20.12.2024).