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-фазочастотные 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 задачах 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 компьютерную томографию.

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

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

3. Classifier for the functional state of the respiratory system via descriptors determined by using multimodal technology / S. Filist, R. T. Al-Kasasbeh, O. Shatalova, A. Aikeyeva, O. M. O. Al-Habahbeh, M. Alshamasin, N. Korenevskiy, M. Khrisat, M. Myasnyankin, M. Ilyash // Computer methods in Biomechanics and Biomedical Engineering. 2022. Vol. 26, N 12. P. 1400‒1418. https://doi.org/10.1080/10255842.2022.2117551.

4. Developing neural network model for predicting cardiac and cardiovascular health using bioelectrical signal processing / S. Filist, R. T. Al-Kasasbeh, O. Shatalova, A. Aikeyeva, N. Korenevskiy, A. Shaqadan, А. Trifonov, M. Ilyashv // Computer methods in biomechanics and biomedical engineering. 2021. Vol. 20, N 8. P. 908‒921. https://doi.org/0.1080/10255842.2021.1986486.

5. Application of fuzzy neural network model and current-voltage analysis of biologically active points for prediction post-surgery risks / O. Shatalova, S. Filist, N. Korenevskiy, Z. Protasova, R. Taha Al-kasasbeh, A. Shaqadan, M. Ilyash, A. Rybochkin // Computer methods in biomechanics and biomedical engineering. 2021. Vol. 24, N 13. P. 1504‒1516. https://doi.org/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. N 1801. P. 012045. https://doi.org/10.1088/1742-6596/1801/1/012045.

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

8. Iterative models of bioimpedance in intelligent systems for early diagnosis of infectious diseases / A. V. Miroshnikov, A. V. Kiselev, O. V. Shatalova, R. A. Krupchatnikov // CEUR Workshop Proceedings. 2021. N 2843. P. 35.

9. Параметрические модели биоимпеданса для идентификации функционального состояния живой системы / К. Д. А. Кассим, И. А. Ключиков, О. В. Шаталова, З. Д. Яа // Биомедицинская радиоэлектроника. 2012. № 4. С. 50‒56.

10. Булатов Р. Д. Применение интегральной двухчастотной импедансометрии в клиническом мониторинге у больных деструктивным панкреатитом // Анестезиология и реаниматология. 2012. № 3. С. 59‒62.

11. Модели импеданса биоматериала для формирования дескрипторов в интеллектуальных системах диагностики инфекционных заболеваний / А. В. Мирошников, Н. С. Стадниченко, О. В. Шаталова, С. А. Филист // Моделирование, оптимизация и информационные технологии. 2020. Т. 8, № 4. С. 1‒14. https://doi.org/10.26102/2310- 6018/2020.31.4.018.

12. Usefulness of endoscopic ultrasound to diagnose the severity of chronic pancreatitis / I. Atsushi, K. Kyoko, O. Hiromasa, S. Ai, S. B. Manoop, V. H. Lyndon, K. Masaru // J. Gastroenterol. 2007. N 42. P. 90–94. https://doi.org/10.1007/s00535-006-1916-9.

13. Barsoukov E., Macdonald J. R. Impedance Spectroscopy Theory, Experiment, and Applications. 2 nd ed. New Jersey: Wiley Interscience Publication, 2005. 608 p. https://doi.org/10.1002/0471716243.

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

15. Пат. 2504328 Российская Федерация. Устройство для контроля анизотропии электрической проводимости биотканей / Томакова Р. А., Филист С. А., Кузьмин А. А., Кузьмина М. Н., Алексеенко В. А., Волков И. И. № 2012128471/14; заявл. 06.07.12; опубл. 20.01.14. 16. Prediction models for diagnosis and prognosis of covid-19 infection: systematic review and critical appraisal / L. Wynants, B. V. Calster, G. S. Collins [et al.] // BMJ. 2020. N 369. P. m1328. https://doi.org/10.1136/bmj.m1328. 17. Классификации биологических объектов на основе многомерного биоимпедансного анализа / А. В. Мирошников, О. В. Шаталова, Н. С. Стадниченко, Л. В. Шульга // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2020. Т. 10, № 3/4. С. 29‒49.

16. Алгоритм оптимизации модели Войта в классификаторах функционального состояния живых систем / А. В. Мирошников, О. В. Шаталова, М. А. Ефремов, Н. С. Стадниченко, А. Ю. Новоселов, А. В. Павленко // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2022. Т. 12, № 2. С. 59‒75. https://doi.org/10.21869/2223-1536- 2022-12-2-59-75.

17. Филист С. А., Кузмин А. А., Кузьмина М. Н. Биотехническая система для контроля импеданса биоматериалов в экспериментах in vivo // Биомедицинская радиоэлектроника. 2014. № 9. С. 38‒42.

18. Шаталова О. В. Итерационная многопараметрическая модель биоимпеданса в экспериментах in vivo // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2019. Т. 9, № 1. С. 26‒38.

19. Развитие технологии биоимпедансной спектроскопии в системах поддержки принятия врачебных решений / О. В. Шаталова, Н. С. Стадниченко, М. А. Ефремов, А. Ю. Новоселов, И. А. Башмакова // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2023. Т. 13, № 1. С. 143‒169. https://doi.org/10.21869/2223-1536-2023-13-1-143-169.

20. Шаталова О. В. Интеллектуальные системы мониторинга медицинских рисков с учетом биоимпедансных исследований: монография / Юго-Западный государственный университет. Курск, 2020. 356 с.

21. Формирование дескрипторов для классификаторов функционального состояния системы дыхания на основе спектрального анализа электрокардиосигнала / М. Б. Мяснянкин, С. А. Филист, А. В. Киселев, А. А. Кузьмин // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2020. Т. 10, № 3/4. С. 8‒28.

22. Хронический панкреатит // Клиника высоких медицинских технологий им. Н. И. Пирогова. URL: https://www.gosmed.ru/lechebnaya-deyatelnost/spravochnik/zabolevaniy/gastroenterologiya-bolezny/khronicheskiy-pankreatit/ (дата обращения: 10.09.2023).

23. Филист С. А., Шаталова О. В., Ефремов М. А. Гибридная нейронная сеть с макрослоями для медицинских приложений // Нейрокомпьютеры. Разработка и применение. 2014. № 6. С. 35‒39.

24. Использование гибридных нейросетевых моделей для многоагентных систем классификации в гетерогенном пространстве информативных признаков / А. Г. Курочкин, В. В. Жилин, С. Е. Суржикова, С. А. Филист // Прикаспийский журнал: управление и высокие технологии. 2015. Т. 3, № 31. С. 85‒95.

25. Серебровский В. В., Филист С. А., Шаталова О. В. Нечеткое моделирование сложных систем в среде МАTLAB и fuzzyTECH: монография. Курск: Курская государственная сельскохозяйственная академия имени И. И. Иванова, 2013. 105 с.