DOI: https://doi.org/10.31071/kit2021.17.04

Опис-посилання

ISSN 1812-7231(print), ISSN 2786-5800 (Online) Klin. inform. telemed. Volume 16, Issue 17, 2021, Pages 13-19

Автор(и)

А. І. Петренко

Установа(ви)

Інститут прикладного системного аналізу НТУУ «КПІ імені Ігоря Сікорського», Київ

Назва статті

Медична діагностика здоров’я на дому як сервіс

Анотація (резюме)

Вступ. Дистанційне спостереження за хворими є одним з ключових міжнародних напрямків в інформатизації охорони здоров’я. Обумовлено це збільшенням частки осіб похилого віку, зростанням хронічних захворювань, перевантаженістю амбулаторно-по-ліклінічної ланки, незадоволеністю пацієнтів наданої їм допомогою.

Методи. Досліджені інформаційно-аналітичні засоби підвищення ефективності бездротових сенсорних мереж (БСМ), які використовують мобільні пристрої і спеціалізовані програмні додатки для збору агрегованих даних про стан здоров’я пацієнтів, наданням цієї інформації фахівцям-практикам, дослідникам і самим пацієнтам, що дозволяють дистанційно діагностувати різні захворювання, підтримуючи зв’язок і отримуючи попередній діагноз і рекомендації з лікування.

Результати. Запропонована сервіс-орієнтована архітектура БСМ для медицини з депозитарієм сервісів, створених сумісними зусиллями, що принципово дозволяє вирішити задачу сумісності (interoperability) БСМ різних розробників при їх об’єднанні у гло-бальну мережу, яка у недалекому майбутньому може стати найбільшою мережею людства. Обґрунтована можливість компенсації певних недоліків і незручностей використання простих портативних натільних сенсорів за рахунок методів глибинного навчання, зокрема, використання новітніх згорткових нейронних мереж (CNN) для налагодження необхідних діагностичних процедур.

Висновки. Для пацієнтів такі системи дозволяють виконувати на дому вимірювання показників захворювання, при цьому лікар, родичі (та/або швидка допомога) оповіщаються автоматично, якщо життєві показники пацієнта наблизяться до небезпечної межі. Для лікаря стає можливим віддалений моніторинг стану пацієнта, оперативна зміна плану його лікування, підтримки кон-такту з пацієнтом, а також можливість проведення консультацій з колегами і фахівцями у режимі телесеансів з конфіденційною передачею даних пацієнта.

Ключові слова

дистанційний моніторинг; респіраторні хвороби; глибинне навчання; полісомнографія; сонне апное; сервіс-орієнтована архітектура; хмарні і прикінцеві обчислення

Список літератури

1. David Naranjo-Herna’ndez, JavierReina-Tosina and Laura M.Roa. Body Sensors Networks for E-Health Applications. Special Issue, Sensors, Basel, 2020, vol. 20(14), 3944 p. Publ. online, 2020. doi: 10.3390/s20143944

2. Ilkyu Ha. Technologies and ResearchTrends in Wireless Body Area Networks for Healthcare: A Systematic Literature Re-view, Intern. J. Distributed Sensor Networks, 2015, Article ID 573538, 14 p., http://dx.doi.org/10.1155/2015/573538

3. S. Movassaghi, M. Abolhasan, J. Lipman, D. Smithand A. Ja-malipour. Wireless body area networks: A survey. Communica-tions Surveys Tutorials, IEEE, 2014, vol. 16, no. 3, pp. 1658–1686.

4. Heather Landi. What Amazon’s potential move in toat-home medical tests could mean for the market. 2021, May 19: https://www.fierce healthcare.com/tech/what-amazon-s-potential-move-into-at-home-medical-tests-could-mean-for-market

5. Jared Lindzon. At-home tests put health in your own hands. 2021, April 13. https://garage.hp.com/us/en/innovation/telemedicine-consumer-healthcare-devices-at-home.html

6. Mamoun Al-Mardini, Fadi Aloul, Assim Sagahyroon, Luai Al-Husseini. Classifying obstructive sleep apnea using smart-phone. J.Biomedical Informatics, 2014, vol.52, pp. 251–259. https://doi.org/10.1016/j.jbi.2014.07.004

7. Hartmann V., Liu H., Chen F., Hong W., Hughes S. and Zheng D. Toward Accurate Extraction of Respiratory Frequency From the Photoplethysmogram: Effect of Measurement Site. Front. Physiol. 2019, vol. 10, p. 732. doi: 10.3389/fphys.2019.00732

8. Laiali Almazaydeh, Khaled Elleithy, Miad Faezipour. Detection of Obstructive Sleep Apnea Through ECG Signal Features. IEEE Intern. Conf. Electro/Information Technology, 2012. doi: 10.1109/EIT.2012.6220730

9. P. Chazal, T. Penzeland C. Heneghan. Automated Detection of Obstructive Sleep Apnoe at Different Time Scales Using the Electrocardiogram. Institute of Physics Publishing, 2004, vol. 25, no. 4, pp. 967–983.

10. B. Yilmaz, M. Asyali, E. Arikan, S. Yektinand, F. Ozgen. Sleep Stage and Obstructive Apneaic Epoch Classification Using Single-Lead ECG. BiomedicalEngineeringOnline, 2010, vol. 9.

11. J. Pan, W.J. Tompkins. A real-time QRS detection algorithm, IEEE Trans.Biomed. Eng. 1985, vol. 3, pp. 230–236.

12. Penzel T., Moody G., Mark R., Goldberger A., Peter J. The apnea-ECG database. In Proceed. Of the Computers in cardiology, Cambridge, MA, USA, 24–27 September 2000; IEEE: Piscataway, NJ, USA, 2000; pp. 255–258.

13. PhysioNet. A vailable online: www.physionet.org (accessed on 20 February 2019)

14. Laiali Almazaydeh, Khaled Elleithy, Miad Faezipour. Detection of Obstructive Sleep Apnea Through ECG Signal Features, IEEE Intern. Conf. Electro/InformationTechnology. doi: 10.1109/EIT.2012.6220730

15. Li K., PanW., Li, Y., Jiang, Q., Liu, G. A method to detect sleep apnea based on deep neural network and hidden Markov model using single-lead ECG signal. Neurocomputing, 2018, iss. 294, pp. 94–101.

16. Pathinarupothi R. K., Rangan E. S., Gopalakrishnan E. A., Vinaykumar R., Soman K. P. Single sensor techniques for sleep apnea diagnosis using deep learning. In Proc. IEEE Intern. Conf. Healthcare Informatics (ICHI), Park City, UT, USA, 23–26 August 2017, IEEE: Piscataway, NJ, USA, 2017; pp. 524–529.

17. Choi S. H., Yoon H. S., Kim H. B., Kwon H. B., Oh S. M., Lee Y. J., Park K. S. Real-time apnea-hypopnea event detection during sleep by convolutional neural networks. Comput. Biol. Med. 2018, iss.100, pp. 123–131.

18. Ana Minchole’ and Blanca Rodriguez. Artifcial intelligence for the electrocardiogram, Nature Medicine, 2019, vol. 25, pp. 20–23.

19. Mostafa S. S., Mendonc¸a F., Morgado-Dias F., Ravelo-García A. SpO2 based sleep apnea detection using deep learning. Proc. of the 2017 IEEE 21st Intern. Conf. Intelligent Engineering Systems (INES), Larnaca, Cyprus, 20–23 October 2017; IEEE: Piscataway, NJ, USA, 2017, pp. 91–96.

20. Peter H. Charlton, Drew A. Birrenkott, Timothy Bonnici, Marco A. F. Pimentel, Alistair E. W. Johnson, Jordi Alastruey, Lionel Tarassenko, Peter J. Watkinson, Richard Beale, and David A. Clifton. Breathing Rate Estimation From the Electrocar-diogram and Photoplethysmogram: A Review. IEEE Reviews in Biomedical Engineering, 2018, vol. 11, 1–20 pp.

21. Denisse Castaneda, Aibhlin Esparza, Mohammad Ghamari, Cinna Soltanpur, Homer Nazeran. A review on wearable photoplethysmography sensors and their potential future applications in health care, Int. J. Biosens Bioelectron, 2018; vol. 4, iss. 4, pp. 195–202. doi: 10.15406/ijbsbe.2018.04.00125

22. Mohamed Elgendi. On the Analysis of Fingertip Photoplethysmo-gram Signals. Current Cardiology Reviews, 2012, no. 8, pp. 14–25.

23. A. Johansson. Neural network for photoplethysmographic respiratory rate monitoring. Medical & Biological Engineering & Computing, 2003, pp. 242–248 pp.

24. A. Petrenko, R. Kyslyi, I. Pysmennyi. Detection of human respiration patterns using deep convolution neural networks. Eastern-European J. Enterprise Technologies, 2018, vol. 4/9, iss. 94, pp.5–17.

Повнотекстова версія http://kit-journal.com.ua/uk/viewer_uk.html?doc/2021_17/004.pdf