в Интернете 
Українська  English  Русский  

DOI: https://doi.org/10.31071/kit2019.15.03


Опись-ссылка ISSN 1812-7231 Klin.inform.telemed. Volume 14, Issue 15, 2019, Pages 46-52


Автор(ы) G. Raimondi1, A. Martynenko2, N. Marchitto3, S. Ostropolets2


Учреждение(я)

1University of Roma "Sapienza", Italy

2V. N. Karazin Kharkiv National University, Ukraine

3ASL Latina, Italy


Название статьи Искусственный интеллект для анализа вариабельности сердечного ритма с аритмией


Аннотация (резюме)

Введение. Существующие стандарты технологии вариабельности сердечного ритма (ВСР) ограничивают ее использование синусовым ритмом. Допускается небольшое число экстрасистол, если в используемом приборе имеются специальные процедуры детекции и замены экстрасистолических комплексов. Однако, представляется важным расширение указанных границ применимости технологии ВСР. Особенно если технология ВСР выглядит перспективной в диагностике как, например, при фибрилляции и трепетании предсердий.

Цель работы. Целью работы является представление процедуры искусственного интеллекта для детектирования эпизодов аритмий и реконструкции свободного от аритмий ВСР пациента, а также демонстрация эффективности ее использования для анализа ВСР у пациентов с различной степенью проявления аритмий.

Материалы и методы. Все измерения ЭКГ производились на оборудовании и с применением программного обеспечения "ХАИ Медика"® Анализ ВСР выполнялся с помощью программы Kubios® HRV Standard (ver.3.x) by "Kubios Oy". Вычислялись все рекомендованные характеристики ВСР для временной и частотной областей, а также нелинейный анализ ВСР.

Результаты. Была показана эффективность разработанной процедуры искусственного интеллекта для анализа ВСР у пациентов с разными уровнями аритмий. Эффективность анализа ВСР после реконструкции с применением искусственного интеллекта продемонстрирована для всего набора методов: во временной и частотной областях, а также для нелинейного анализа. Непосредственное включение в рассмотрение эпизодов аритмий и использование исходных ритмограмм приводит к существенному искажению результатов анализа ВСР для всего набора методов и для всех рассмотренных вариантов аритмии.

Выводы. Во всех рассмотренных случаях записей пациентов с аритмиями отмечается высокая эффективность работы процедуры искусственного интеллекта для детектирования эпизодов и реконструкции ВСР свободного от аритмий.


Ключевые слова вариабельность сердечного ритма, аритмии, искусственный интеллект


Список литературы

1. Task force of the European society of cardiology and the North American society of pacing and electrophysiology. Heart rate variability — standards of measurement, physiological interpretation, and clinical use. Circulation, 1996, vol. 93, iss. 5, pp. 1043–1065.

2. Yabluchansky N., Martynenko A. Variabel'nost' serdechnogo ritma v klinicheskoj praktike [Heart Rate Variability for clinical practice]. Kharkiv, Univer. Press, 2010. 131 p. (in Russ.).

3. Attia Z. I., Noseworthy P. A., Lopez-Jimenez F, et al. An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm: a retrospective analysis of outcome prediction. The Lancet. 2019.
doi: 10.1016/S0140-6736(19)31721-0

4. Turing A. M. Computing machinery and intelligence. Mind. 1950, vol. 59, pp. 433–60.

5. Lusted L. B. Medical progress — medical electronics. N. Engl. J. Med. 1955, vol. 252, pp. 580–585.

6. Ledley R. S., Lusted L. B. Reasoning foundations of medical diagnosis. Science. 1959, vol. 130, pp. 9–21.

7. Ramesh A. N., Kambhampati C., Monson J. R. T., Drew P. J. Artificial intelligence in medicine. Ann. R. Coll. Surg. Engl. 2004, vol. 86, pp. 334–338.
doi: 10.1308/147870804290

8. Jiang F., Jiang Y., Zhi H., et al. Artificial intelligence in healthcare: past, present and future. Stroke and Vascular Neurology. 2017, p.2. e000101.
doi: 10.1136/svn-2017-000101

9. Darcy A. M., Louie A. K., Roberts L. Machine Learning and the Profession of Medicine. JAMA, 2016, iss. 315, pp. 551–5522.
doi: 10.1001/jama.2015.18421

10. Murff H. J., Fitz H. F., Matheny M. E., et al. Automated identification of postoperative complications within an electronic medical record using natural language processing. JAMA, 2011, vol. 306, pp. 848–855.
doi: 10.1001/jama.2011.1204

11. Goodfellow I., Bengio Y., Courville A. Deep Learning. First Edition: The MIT Press. 2016, 800 p.

12. Pattern recognition and machine Learning (Information Science and Statistics). Ed. Bishop C. M. Springer, 2011, 738 p.


Полнотекстовая версия http://kit-journal.com.ua/ru/viewer_ru.html?doc/2019_15/003.pdf