ФОРМИРОВАНИЕ ИНФОРМАТИВНЫХ ХАРАКТЕРИСТИК ИМПЕДАНСА БИОМАТЕРИАЛА ДЛЯ АЛГОРИТМОВ ПРОГРАММНО-АППАРАТНЫХ КОМПЛЕКСОВ

Цель исследования. Цель исследования заключается в оценке точности и надежности методов измерения импеданса биоматериала и выработке рекомендаций по совершенствованию алгоритмов для разработки программно-аппаратных комплексов (ПАК) в области биомедицинской диагностики. Значительное внимание уделено анализу данных, полученных in Vivo.

Методы. Проведено 400 измерений на группе из 20 добровольцев с использованием электрических тестовых воздействий для получения амплитудно-фазово-частотных характеристик импеданса биологических тканей. В ходе эксперимента применен метод Коула для определения коэффициентов, отражающих ключевые параметры испытуемой ткани и ее импедансные характеристики. Для генерации тестовых сигналов использовались последовательности одночастотных синусоидальных сигналов, управляемых программным обеспечением на платформе E20-10, специально разработанной для оцифровки данных и анализа переходных процессов в живых тканях.

Результаты. На базе системы сбора данных E20-10, произведенной ЗАО «L-Card», был разработан комплекс для получения и обработки данных импеданса, включая программное обеспечение, реализованное на языке Delphi, предназначенное для генерации и обработки тестовых сигналов. Полученные результаты in Vivo показали средние расхождения в пределах 4% между измеренными и ожидаемыми значениями, что подтверждает высокую точность и надежность предложенного подхода к измерению импеданса биологических тканей.

Заключение. Реализация ПО для измерения импеданса биоматериала с помощью разработанных алгоритмов и применяемых амплитудно-фазово-частотных характеристик обеспечивает более точную оценку диссипативных свойств биологических тканей. Анализ данных показал возможности и перспективы разработки высокоточных классификаторов для системы поддержки принятия решений ранней диагностики медицинских рисков. Эти классификаторы особенно могут быть полезны для выявления предрасположенности к легочным заболеваниям, таким как пневмония и туберкулез. Дальнейшие исследования в данной области могут привести к значительному прогрессу в создании эффективных программно-аппаратных комплексов для биомедицинской диагностики, способствующих улучшению профилактики и лечения различных патологий с учетом индивидуальных особенностей пациента.

1. Анализ нормы ст. 41 УК РФ об обоснованном риске с точки зрения теоретической обоснованности. [Электронный ресурс] - Режим доступа: http://studbooks.net/1116912/pravo/meditsinskiy_risk_obosnovannogo_riska (дата обращения: 11.11.2023).

2. Ростовцев В.Н. Классификация медицинских рисков. [Электронный ресурс] - Режим доступа: http://www.kmsd.su/vracham/nauchnye-stati/klassifikatsiya-meditsinskikh-riskov-rostovtsev-v-n (дата обращения: 11.11.2023).

3. Шаталова, О.В. Интеллектуальные системы мониторинга медицинских рисков с учетом биоимпедансных исследований: монография/О.В. Шаталова; Юго-Зап. гос. ун-т. Курск, 2020. – 356 с.

4. Ефремов, М.А. 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.

5. Katherine J. Wu There are more viruses than stars in the universe. / J. Wu. Katherine [Электронный ресурс] - Режим доступа: https://www.nationalgeographic.com/science/2020/04/factors-allow-viruses-infect-humans-coronavirus (дата обращения: 12.11.2023).

6. Shatalova, Olga V. Impedance models in anomalous electrical conduction zones forming by in-vivo experiments for intelligent systems of socially important diseases diagnostic / Olga V. Shatalova, Alexandr A. Burmaka, Evgeny N. Korovin // International Russian Automation Conference (RusAutoCon). – Sochi: IEEE, 9-16 Sept., 2018. – Pp. 1-4. - URL: https://ieeexplore.ieee.org/document/8501668. – DOI 10.1109/RUSAUTOCON. 2018.8501668.

7. Вясничев, Я. А. Нейронные сети в медицине / Я. А. Вясничев, Э.А. Пилосян // Актуальные задачи математического моделирования информационных технологий. – 2018. – Т. 1, № 1 – С. 30–39.

8. Зонова, Я. А. Применение искусственных нейронных сетей в медицине / Я. А. Зонова, А. С. Пилосян // Лучшая студенческая статья 2018. – 2018. – Т. 1, № 1 – С. 59–61.

9. Bay, Z. The Rapid Assessment and Early Warning Models for COVID-19/ Z. Bay, Y. Gong, X. Tian // International Journal of Environmental Research and Public Health. – 2020 – Vol. 21, № 4 – P. 272–279. – DOI 10.26577/ijbch-2018-1-313. – DOI 10.3390/ijerph17176218.

10. Корсунский, Н.А. Программное обеспечение, предназначенное для оцифровки переходной характеристики, при проведении биоимпедансных исследований на биологическом объекте / Н.А. Корсунский, Р.А. Томакова, А.В. Брежнев // Известия Юго-Западного государственного университета. Серия: управление, вычислительная техника, информатика. Медицинское приборостроение. – 2021 № 1. – С. 50-67.

11. Корсунский, Н.А. Программно-аппаратный комплекс для формирования дескрипторов в системе поддержки принятия решений по диагностике медицинских рисков/ Н.А. Корсунский, А.В. Мирошников, О.В. Шаталова, Протасова З.У., Серебровский А.В. // Лазеры. Измерения. Информация. – 2021 № 1. – С. 43-54.

12. Метрологические аспекты автоматизированного метода измерения биоимпеданса / Е. А. Печерская, В. В. Антипенко, О. В. Карпанин [и др.] // Приборы, системы и изделия медицинского назначения. – 2020. – № 3 (33) – С. 78–84.

13. Киселев, А. В. Модели латентных предикторов в интелектуальных 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.

14. Мирошников, А. В. Классификация биологических объектов на основе многомерного биоимпедансного анализа / А.В. Мирошников, О. В. Шаталова, Н.С. Стадниченко // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. – 2020. – Т. 10, № 3/4 – С. 29–49.

15. Мирошников, А. В. Алгоритм оптимизации модели Войта в классификаторах функционального состояния живых систем / А. В. Мирошников, О. В. Шаталова, Н.С. Стадниченко, М.А. Ефремов, 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.

16. Sarvamangala, D. R. Convolutional neural networks in medical image understanding: a survey / D. R. Sarvamangala, V. K. Raghavendra // Evolutionary Intelligence. – 2022 – Vol. 3, № 1 – P. 151–173. – DOI 10.1007/s12065-020-00540-3. – DOI 10.1007/s12065-020-00540-3.

17. Oludare, I. A. State-of-the-art in artificial neural network applications: A survey / I. A. Oludare, A. Jantan, V.D. Kemi, H. Asrshad // Heliyon. – 2018 – Vol. 4, № 11 – P. 160–204. – DOI 10.1016/j.heliyon.2018.e00938.

18. Метрологические аспекты автоматизированного метода измерения биоимпеданса / Е. А. Печерская, В. В. Антипенко, О. В. Карпанин [и др.] // Приборы, системы и изделия медицинского назначения. – 2020. – № 3 (33) – С. 78–84.

19. Agrebi, S. Use of artificial intelligence in infectious diseases / S. Agrebi., A. Larbi // Medical Decision Makin. – 2020 – Vol. 6, № 3 – P. 415 – 438. – DOI 10.1016/B978-0-12-817133-2.00018-5.

20. Begoli, E. The need for uncertainty quantification in machine-assisted medical decision making / S. Agrebi., A. Larbi // Nature Machine Intelligence. – 2019 – Vol. 1, № 1 – P. 20 – 23. – DOI 10.1038/s42256-018-0004-1.