в Інтернеті 
Українська  English  Русский  

DOI:


Опис-посилання ISSN 1812-7231 Klin.inform.telemed. Volume 14, Issue 15, 2019, Pages 00-00


Автор(и) A. Martynenko1, G. Raimondi2, N. Marchitto3, S. Ostropolets1


Установа(ви)

1V. N. Karazin Kharkiv National University, Ukraine

2University of Roma "Sapienza", Italy

3ASL Latina, Italy


Назва статті Штучний інтелект для аналізу варіабельності серцевого ритму з аритмією


Анотація (резюме)

Вступ. Існуючі стандарти технології варіабельності серцевого ритму (ВСР) обмежують її використання синусовим ритмом. Допускається невелика кількість екстрасистол, якщо у використовуваному приладі є спеціальні процедури детекції та заміни екстрасистолічних комплексів. Однак, є важливим розширення зазначених меж застосування технології ВСР. Особливо якщо технологія ВСР виглядає перспективною в діагностиці як, наприклад, при фібриляція і тріпотінні передсердь.

Мета роботи. Метою роботи є представлення процедури штучного інтелекту для детектування епізодів аритмій і реконструкції вільної від аритмій варіабельності серцевого ритму пацієнта, а також демонстрація ефективності її використання для аналізу ВСР у пацієнтів з різним ступенем прояви аритмій.

Матеріали та методи. Всі вимірювання ЕКГ проводилися на обладнанні та із застосуванням програмного забезпечення "ХАІ Медика"®. Аналіз ВСР виконувався за допомогою програми Kubios® HRV Standard (ver.3.x) by "Kubios Oy". Обчислювалися всі рекомендовані характеристики ВСР для часової і частотної областей, а також нелінійний аналіз ВСР.

Результати. Була показана ефективність розробленої процедури штучного інтелекту для аналізу ВСР у пацієнтів з різними рівнями аритмій. Ефективність аналізу ВСР після реконструкції з використанням штучного інтелекту, продемонстрована для всього набору методів: в часовій і частотній областях, а також для нелінійного аналізу. Безпосереднє включення в розгляд епізодів аритмій і використання вихідних ритмограмм призводить до суттєвого спотворення результатів аналізу ВСР для всього набору методів і для всіх розглянутих варіантів аритмії.

Висновки. У всіх розглянутих випадках записів пацієнтів з аритміями відзначається висока ефективність роботи процедури штучного інтелекту для детектування епізодів і реконструкції ВСР вільного від аритмій.


Ключові слова варіабельність серцевого ритму, аритмії, штучний інтелект


Список літератури

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.


Повнотекстова версія http://kit-journal.com.ua/uk/viewer_uk.html?doc/2019_15/001.pdf