Технологии биоимпедансной спектроскопии в системах поддержки принятия решений при диагностике социально значимых заболеваний

Цель исследования  - развитие методов синтеза гибридных  классификаторов для оценки риска социально значимых заболеваний с использованием биоимпедансного анализа.

Методы. Мы разработали дескрипторный подход, используя результаты импедансной спектроскопии, генерируя четыре амплитудно-фазо-частотные характеристики от четырех квазиортогональных отведений. Они создают пространства признаков, необходимые для нашего гибридного классификатора в диагностике заболеваний поджелудочной железы, автономные интеллектуальные агенты которого построены на различных парадигмах: вероятностные нейронные сети, нечеткий логический вывод, полносвязные нейронные сети прямого распространения сигнала. Также мы представили структуру устройства для создания пространства информативных признаков.

Результаты. Экспериментальные исследования предложенных методов и средств классификации медицинского риска были осуществлены на задачах диагностики по классам: «острый деструктивный панкреатит» - «нет острого деструктивного панкреатита» и задачи дифференциальной диагностики по классам рак предстательной железы – хронический панкреатит. Они показали, что включение многочастотного зондирования в классификаторы на основе нейронных сетей позволяет разрабатывать системы поддержки клинических решений для диагностики заболеваний, сопоставимые по показателям эффективности с существующими методами клинической диагностики. Результаты были подтверждены на группах пациентов мужского и женского пола на разных стадиях рака в возрасте от 25 до 80 лет с использованием различных диагностических методов, включая сбор анамнеза, физикальное обследование, оценку сопутствующей патологии, лабораторные исследования, УЗИ, лапароскопию, интраоперационную ревизию и компьютерная томография.

Заключение. Использование метода биоимпедансной спектроскопии и гибридных моделей классификаторов открывает новые возможности для доступной и объективной диагностики заболеваний поджелудочной железы, расширяя возможности интеллектуальных систем поддержки принятия медицинских решений.

1. Filist S., Al-Kasasbeh R.T., Shatalova O.,Korenevskiy N.,Shaqadan A., Protasova Z., Ilyash M., Lukashov М. Biotechnical system based on fuzzy logic prediction for surgical risk classification using analysis of current–voltage characteristics of acupuncture points. Journal of integrative medicine.2022;20 (3):252–264.doi:10.1016/j.joim.2022.02.007.

2. Khatatneh K., Filist S., Al-Kasasbeh R. T. [et al.]. Hybrid neural networks with virtual flows in medical risk classifiers. Journal of Intelligent & Fuzzy Systems. 2022;43(1):1621-1632.doi:10.3233/JIFS-212617.

3. Filist S. , Al-Kasasbeh R. T., Shatalova O., Aikeyeva A., Al-Habahbeh O.M. O., Alshamasin M., Korenevskiy N., Khrisat M., Myasnyankin M., Ilyash M. Classifier for the functional state of the respiratory system via descriptors determined by using multimodal technology. Computer methods in Biomechanics and Biomedical Engineering.2022;26(12):1400-1418.doi:10.1080/10255842. 2022.2117551.

4. Filist S., Al-Kasasbeh R.T., Shatalova O., Aikeyeva A., Korenevskiy N., Shaqadan A., Trifonov А., Ilyash M.. Developing neural network model for predicting cardiac and cardiovascular health using bioelectrical signal processing. Computer methods in biomechanics and biomedical engineering.2021;20(8): 908-921. doi:10.1080/10255842.2021.1986486.

5. Shatalova O., Filist S., Korenevskiy N.,Protasova Z., Taha Al-kasasbeh R., Shaqadan A.,Ilyash M.,Rybochkin A.Application of fuzzy neural network model and current-voltage analysis of biologically active points for prediction post-surgery risks .Computer methods in biomechanics and biomedical engineering.2021;24(13):1504-1516.doi:10.1080/10255842.2021.1895128.

6. Miroshnikov A. V., Shatalova O. V., Zhilin V. V. Biomaterial impedance model for medical risk classifiers in in vivo experiments . Journal of Physics: Conference Series.2021;1801:012045.doi:10.1088/1742-6596/1801/1/012045.

7. Miroshnikov A.V.,Kiselev A.V.,Shatalova O.V., Kadyrova S. Formation of descriptors for medical risk classifiers based on the current-voltage characteristics of biologically active points .Journal of Physics: Conference Series. 2021;2060:012013.doi:10.1088/1742-6596/2060/1/012013.

8. Miroshnikov A. V.,Kiselev A. V., Shatalova O. V.,Krupchatnikov R. A. Iterative models of bioimpedance in intelligent systems for early diagnosis of infectious diseases.CEUR Workshop Proceedings.2021;2843:35.URL: https://ceur-ws.org/Vol-2843/shortpaper035.pdf.

9. Кассим К.Д.А.,Ключиков И.А.,Шаталова О.В.,Яа З.Д. Параметрические модели биоимпеданса для идентификации функционального состояния живой системы. Биомедицинская радиоэлектроника.2012;4:50-56.

10. Булатов Р.Д. Применение интегральной двухчастотной импедансометрии в клиническом мониторинге у больных деструктивным панкреатитом. Анестезиология и реаниматология.2012;3:59-62.URL: yberleninka.ru/article/n/primenenie-integralnoy-dvuhchastotnoy-impedansometrii-v-klinicheskom-monitoringe-u-bolnyh-destruktivnym-pankreatitom/viewer.

11. Мирошников А.В., Стадниченко Н.С., Шаталова О.В., Филист С.А. Модели импеданса биоматериала для формирования дескрипторов в интеллектуальных системах диагностики инфекционных заболеваний. Моделирование, оптимизация и информационные технологии.2020;8(4):1-14.doi:10.26102/2310-6018/2020.31.4.018.URL:https://moitvivt.ru/ru/journal/pdf? id=864

12. Irisawa1 Atsushi, Katakura1 Kyoko, Ohira Hiromasa, Sato Ai, Bhutani Manoop S., Hernandez Lyndon V. and Koizumi Masaru. Usefulness of endoscopic ultrasound to diagnose the severity of chronic pancreatitis. J Gastroenterol.2007; 42:90–94. doi:10.1007/s00535-006-1916-9.

13. Barsoukov E., Macdonald J.R. Impedance Spectroscopy Theory, Experiment, and Applications:2nd Edition. New Jersey: Wiley Interscience Publication;2005.doi:10.1002/0471716243.

14. Bartoletti R., Greco A.,Di Vico T., Durante J. ,Ficarra V. ,Scilingo E.P.,Valenza G. Bioelectric Impedance Analysis Test Improves the Detection of Prostate Cancer in Biopsy Candidates: A Multifeature Decision Support System. Frontiers in Oncology. 2021;11: 1-9. doi:10.3389/fonc.2021.555277.

15. Томакова Р.А., Филист С.А., Кузьмин А.А.,Кузьмина М.Н.,Алексеенко В.А.,Волков И.И. Пат. 2504328 Российская Федерация. Устройство для контроля анизотропии электрической проводимости биотканей.№ 2012128471/14;заявл. 06.07.2012;опубл. 20.01.2014.

16. Wynants L., Calster B.V., Collins G. S. [et al].Prediction models for diagnosis and prognosis of covid-19 infection: systematic review and critical appraisal. BMJ.2020;369:m1328. doi:10.1136/bmj.m1328.

17. Мирошников А.В., Шаталова О.В., Стадниченко Н.С., Шульга Л.В. Классификации биологических объектов на основе многомерного биоимпедансного анализа. Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2020;10(3/4):29-49.

18. Мирошников А.В., Шаталова О.В., Ефремов М.А.,Стадниченко Н.С., Новоселов А.Ю.,Павленко А.В. Алгоритм оптимизации модели Войта в классификаторах функционального состояния живых систем. Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2022;12(2):59-75.https://doi.org/10.21869/2223-1536-2022-12-2-59-75.URL: https://uprinmatus.elpub.ru/jour/article/view/60/60

19. Филист С.А.,Кузмин А.А.,Кузьмина М.Н.Биотехническая система для контроля импеданса биоматериалов в экспериментах in vivo. Биомедицинская радиоэлектроника.2014;9:38-42.

20. Шаталова О.В. Итерационная многопараметрическая модель биоимпеданса в экспериментах in vivo. Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение.2019;9(1):26-38.

21. Шаталова О.В., Стадниченко Н.С., Ефремов М.А., Новоселов А.Ю., Башмакова И.А. Развитие технологии биоимпедансной спектроскопии в системах поддержки принятия врачебных решений. Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение.2023;13(1):143-169. https://doi.org/10.21869/2223-1536-2023-13-1-143-169.URL:https://uprinmatus. elpub.ru/jour/article/view/94/93

22. Шаталова О.В. Интеллектуальные системы мониторинга медицинских рисков с учетом биоимпедансных исследований: монография.Курск: Юго-Западный гос. ун-т.;2020.

23. Мяснянкин М.Б., Филист С.А., Киселев А.В., Кузьмин А.А. Формирование дескрипторов для классификаторов функционального состояния системы дыхания на основе спектрального анализа электрокардиосигнала. Известия Юго-Западного государственного университета. Серия Управление, вычислительная техника, информатика. Медицинское приборостроение.2020;10(3/4):8-28.

24. Хронический панкреатит [сайт]. Клиника высоких медицинских технологий им. Н.И. Пирогова; 2023[процитировано 01 февраля 2023].Доступно: https://www.gosmed.ru/lechebnaya-deyatelnost/spravochnik-zabolevaniy /gastroenterologiya-bolezny/khronicheskiy-pankreatit/

25. Филист С.А.,Шаталова О.В.,Ефремов М.А. Гибридная нейронная сеть с макрослоями для медицинских приложений. Нейрокомпьютеры. Разработка и применение.2014;6:35-39.

26. Курочкин А.Г., Жилин В.В., Суржикова С.Е., Филист С.А. Использование гибридных нейросетевых моделей для многоагентных систем классификации в гетерогенном пространстве информативных признаков. Прикаспийский журнал: управление и высокие технологии.2015;3(31):85-95.URL: https://hi-tech.asu.edu.ru/files/3(31)/85-95.pdf

27. Серебровский В.В.,Филист С.А.,Шаталова О.В. Нечеткое моделирование сложных систем в среде МАTLAB и fuzzyTECH: монография.Курск: Курск. гос. с.-х. ак.; 2013.