Мультимодальный классификатор риска кардиореспираторных заболеваний с учетом сопутствующих заболеваний и эффекта синергии

Цель исследования – развитие методов синтеза мультимодальных классификаторов для оценки риска кардиореспираторных заболеваний с учетом коморбидности.
Методы. Разработан метод синтеза классификатора риска внебольничной пневмонии с учетом коморбидности. Метод отличается вводом дополнительного фактора риска, представленного двухконтурной нелинейной моделью реальных факторов риска, с последующим синтезом слабых классификаторов на ее основе. Метод позволяет построить мультимодальный классификатор риска внебольничной пневмонии, который учитывает взаимное влияние коморбидных заболеваний на суммарный риск. Для построения слабых классификаторов предложено использовать полносвязную нейронную сеть Хопфилда, отличающуюся многосвязной структурой и двумя задержками на один такт, управляемыми парафазным генератором (с противофазными выходами), обеспечивающими запись в регистры задержек рисков с выходов нейронной сети Хопфилда со сдвигами на один такт. Для обучения слабых классификаторов с нейронной сетью Хопфилда разработан алгоритм, позволяющий обеспечить заданные показатели точности классификации и заданные показатели устойчивости нейронной сети.
Результаты. В ходе экспериментальных исследований мультимодального классификатора риска внебольничной пневмонии с четырьмя сегментами факторов риска было установлено, что при использовании всех сегментов факторов риска все используемые показатели качества классификации риска внебольничной пневмонии превышают величину 0,8 по всем группам наблюдения. Показатели качества классификации риска артериальной гипертензии как сопутствующего заболевания превышают показатели качества шкалы SCORE в одних и тех же контрольных группах в среднем на 11%.
Заключение. Использование метода синтеза слабого классификатора медицинского риска с учетом коморбидности в мультимодальном классификаторе риска кардиореспираторных заболеваний открывает новые возможности для доступной и объективной диагностики заболеваний системы дыхания и сердечно-сосудистых заболеваний, расширяя возможности интеллектуальных систем поддержки принятия клинических решений как при терапии, так и при реабилитации.

1. Абрамович С. Г., Игнатьева Т. Г. Методы аппаратной физиотерапии в лечении ишемической болезни сердца // Сибирский медицинский журнал. 2003. Т. 37, № 2. С. 4–9.

2. Соболева Л. Р., Кузяев А. И. Осложнения у больных внегоспитальной пневмонией с летальным исходом // Международный конгресс по болезням органов дыхания. CПб., 1998. C. 24–26.

3. Результаты проспективного наблюдения больных артериальной гипертонией с сопутствующими хроническими болезнями органов дыхания в рутинной практике. Часть I. Характеристика неблагоприятных событий / М. И. Смирнова, А. С. Курехян, В. М. Горбунов, Г. Ф. Андреева, Я. Н. Кошеляевская, А. Д. Деев // Кардиоваскулярная терапия и профилактика. 2022. № 21 (10). С. 3383. https://doi.org/10.15829/1728-8800-2022-3383

4. Прогнозирование и оценка степени тяжести ишемии сердца на основе гибридных нечётких моделей / И. А. Комлев, О. В. Шаталова, С. В. Дегтярев, А. В. Серебровский // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2019. Т. 9, № 1 (30). С. 133–145.

5. Виртуальные потоки в гибридных решающих модулях классификации сложноструктурируемых данных / А. В. Киселев, Д. Ю. Савинов, С. А. Филист, О. В. Шаталова, В. В. Жилин // Прикаспийский журнал: Управление и высокие технологии. 2018. № 2 (42). С. 137–149.

6. Методы и алгоритмы формирования слабых классификаторов в ансамбле классификаторов прогнозирования сердечно-сосудистых рисков / З. У. Протасова, О. В. Шаталова, А. А. Б. Дафалла, С. В. Дегтярев // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2019. Т. 9, № 3 (32). С. 64–83.

7. Шаталова О. В., Медников Д. А., Протасова З. У. Мультиагентная интеллектуальная система для прогноза риска сердечно-сосудистых осложнений с синергетическими каналами // Системный анализ и управление в биомедицинских системах. 2020. Т. 19, № 3. С. 177-188.

8. Модели латентных предикторов в интеллектуальных системах прогнозирования состояния живых систем / А. В. Киселев, О. В. Шаталова, З. У. Протасова, С. А. Филист, Н. С. Стадниченко // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2020. Т. 10, № 1. С. 114–133.

9. Heterogeneous Classifiers with Virtual Flows in Intelligent Systems for Predicting Cardiovascular Complications During the Rehabilitation Period / E. V. Petrunina, O. V. Shatalova, D. S. Zabanov, V. V. Serebrovskii // Biomedical Engineering. 2020. Vol. 54, N 3. Р. 212–215. https://doi.org/10.1007/s10527-020-10006-6

10. Prediction of the Risk of Cardiovascular Complications with a Segmented Space of Risk Factors and Synergy Channels / O. V. Shatalova, D. A. Mednikov, Z. U. Protasova, N. S. Stadnichenko // Journal of Physics: Conference Series: II International scientific conference on applied physics, information technologies and engineering (APITECH II) (25 September – 04 October 2020 y.). Krasnoyarsk: Institute of Physics and IOP Publishing Limited, 2020. Р. 32042. https://doi.org/10.1088/1742-6596/1679/3/032042

11. Нейросетевой решающий модуль для исследования живых систем / С. Г. Емельянов, А. Ф. Рыбочкин, С. А. Филист, А. Р. Халед // Известия Курского государственного технического университета. 2008. № 2 (23). С. 77–82.

12. Гибридный нейронечеткий классификатор для мониторинга эффективности лечения заболеваний системы дыхания с учетом коморбидности / Е. В. Петрунина, С. А. Филист, Л. В. Шульга, В. В. Песок, Хайдер А. Х. Алавcи, А. В. Бутусов // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2023. Т. 13, № 4. С. 27–53. https://doi.org/10.21869/2223-1536-2023-13-4-27-53

13. Модели нечетких нейронных сетей с трехстабильным выходом в инструментарии для психологических и физиологических исследований / С. А. Филист, Х. А. Р. Салем, О. В. Шаталова, В. В. Руденко // Системный анализ и управление в биомедицинских системах. 2007. Т. 6, № 2. С. 475–479.

14. A Method for Creating Fuzzy Neural-Network Models Using the Matlab Package for Biomedical Applications / V. V. Zhilin, S. A. Filist, K. A. Rakhim, O. V. Shatalova // Biomedical Engineering. 2008. Vol. 42, N 2. P. 64–66. https://doi.org/10.1007/s10527-008-9019-y

15. Гибридные нечеткие модели для прогнозирования возникновения и осложнений артериальной гипертензии с учетом энергетических характеристик биоактивных точек / М. А. Ефремов, C. А. Филист, О. В. Шаталова, E. A. Старцев, Л. В. Шульга // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2018. Т. 8, № 4 (29). С. 104–119.

16. Структурно-функциональная модель для мониторинга влияния управляющих воздействий на функциональное состояние самоорганизующихся систем / П. С. Кудрявцев, А. Н. Шуткин, В. В. Протасова, С. А. Филист // Прикаспийский журнал: управление и высокие технологии. 2015. № 2 (30). С. 105–118.

17. Филист С. А., Томакова Р. А., Яа З. Д. Универсальные сетевые модели для задач классификации биомедицинских данных // Известия Юго-Западного государственного университета. 2012. № 4 (43), ч. 2. С. 44–50.

18. Prediction of Coronary Risk Using a Multichannel System with Redundant Decisions and Associative Choice / E. V. Petrunina, O. V. Shatalova, Z. U. Protasova, A. F. Rybochkin, V. V. Serebrovsky // Biomedical Engineering. 2020. Vol. 54, N 2. Р. 140–144. https://doi.org/10.1007/s10527-020-09991-5

19. Вклад комбинаций факторов риска в развитие хронических неинфекционных заболеваний / О. С. Кобякова, Е. А. Старовойтова, И. В. Толмачев [и др.] // Социальные аспекты здоровья населения. 2020. № 66 (5). С. 1. https://doi.org/10.21045/2071-5021-2020-66-5-1

20. Диагностические системы на основе анализа вольтамперных характеристик биоактивных точек / Н. А. Кореневский, С. А. Филист, О. В. Шаталова, К. Д. А. Кассим, В. В. Руденко // Биотехносфера. 2013. № 5 (29). С. 33–38.

21. Волков И. И., Емельянов С. Г., Филист С. А. Метод классификации сложных объектов на основе анализа структурных функций медленных волн // Биомедицинская радиоэлектроника. 2012. № 4. С. 6-12.

22. Биотехническая система с виртуальной реальностью в реабилитационных комплексах с искусственными обратными связями / А. А. Трифонов, Е. В. Петрунина, С. А. Филист, А. А. Кузьмин, В. В. Жилин // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2019. Т. 9, № 4. С. 49–66.