Методика оптимизации выбора и хранения информации об электрокардиосигналах сверхвысокого разрешения

Цель исследования. Разработка и апробация специализированной автоматизированной системы для записи, структурированного хранения и анализа данных электрокардиосигналов сверхвысокого разрешения, получаемых в ходе экспериментов по моделированию ишемии миокарда у подопытных животных на базе применения нового метода электрокардиографии сверхвысокого разрешения, — цель исследования.

Методы. Для решения задачи была реализована автоматизированная система, состоящая из модулей записи, хранения и анализа. Модуль записи был специально разработан для сохранения электрокардиосиеналов сверхвысокого разрешения и включает возможность визуализации хода эксперимента для контроля состояния биологического объекта. Модуль хранения данных эксперимента представляет собой документоориентированную базу данных и специальное программное обеспечение, позволяющее систематизировать и извлекать по заданным критериям неоднородную информацию. Модуль автоматического анализа выполняет функцию последовательного исполнения программных модулей, специально разработанных для анализа электрокардиосигналов сверхвысокого разрешения. Результаты. Внедрение разработанной системы хранения и анализа большого количества данных электракардиосигналов сверхвысокого разрешения, полученных 60 время проведения экспериментов, позволило существенно оптимизировать исследовательские процессы. Используемый подход позволил ускорить выполнение рутинных операций за счет автоматизации цикла обработки данных от записи и систематизации o анализа. Отсутствие ручного присвоения метаданных, а также последующая валидация исключают неструктурированное хранение информации и ошибки, связанные с человеческим фактором, позволяя проводить недоступный ранее метаанализ.

Заключение. Система обеспечивает надежное хранение и безопасный доступ к большим объемам неоднородной информации, что повышает воспроизводимость, качество и эффективность исследований по ранней диагностике ишемии миокарда по методу электрокардиографии сверхвысокого разрешения.

1. 2019 ESC Guidelines for the diagnosis and management of chronic coronary syndromes / J. Knuuti, W. Wijns, S. Achenbach [et al.] // European Heart Journal. 2020. Vol. 41, N 3. P. 407–477. https://doi.org/10.1093/eurheartj/ehz425.

2. Revisiting the diagnostic and prognostic significance of high-frequency QRS analysis in cardiovascular diseases: a comprehensive review / S. Qiu, T. Liu, Z. Zhan, X. Li, X. Liu, X. Xin [et al.] // Postgraduate Medical Journal. 2024. Vol. 100, N 1189. P. 785–795. https://doi.org/10.1093/postmj/qgae064.

3. Berbari E. J. High-resolution electrocardiography // Critical Reviews in Biomedical Engineering. 1988. Vol. 16, N 1. P. 67–103. PMID: 3293914.

4. Accuracy of advanced versus strictly conventional 12-lead ECG for detection and screening of coronary artery disease, left ventricular hypertrophy and left ventricular systolic dysfunction / T. T. Schlegel, W. B. Kulecz, A. H. Feiveson [et al.] // BMC Cardiovascular Disorders. 2010. Vol. 10. P. 28. https://doi.org/ 10.1186/1471-2261-10-28.

5. Amit G., Granot Y., Abboud S. Quantifying QRS changes during myocardial ischemia: Insights from high frequency electrocardiography // Journal of Electrocardiology. 2014. Vol. 47, N 4. P. 505–511. https://doi.org/10.1016/j.jelectrocard.2014.03.006.

6. Ultra-High-Resolution Electrocardiography Enables Earlier Detection of Transmural and Subendocardial Myocardial Ischemia Compared to Conventional Electrocardiography / K. V. Zaichenko, A. A. Kordyukova, D. L. Sonin, M. M. Galagudza // Diagnostics. 2023. Vol. 13, N 17. P. 2795. https://doi.org/10.3390/diagnostics13172795.

7. The FAIR Guiding Principles for scientific data management and stewardship / M. D. Wilkinson, M. Dumontier, I. J. Aalbersberg, G. Appleton, M. Axton, A. Baak [et al.] // Scientific Data. 2016. Vol. 6, N 1. P. 1–9. https://doi.org/10.1038/sdata.2016.18.

8. The practical implementation of artificial intelligence technologies in medicine / J. He, S. L. Baxter, J. Xu, J. Xu, X. Zhou, K. Zhang // Nature Medicine. 2019. Vol. 25, N 1. P. 30–36. https://doi.org/10.1038/s41591-018-0307-0.

9. Ioannidis J. P. A, Khoury M. J. Evidence-based medicine and big genomic data // Human Molecular Genetics. 2018. Vol. 27, N R1. P. R2–R7. https://doi.org/10.1093/hmg/ddy065.

10. Cunha-Oliveira T., Ioannidis J. P. A., Oliveira P. J. Best practices for data management and sharing in experimental biomedical research // Physiological Reviews. 2024. Vol. 104, N 3. P. 1387–1408. https://doi.org/10.1152/physrev.00043.2023.

11. Kunda D., Phiri H. Comparative Study of NoSQL and Relational Database // Zambia ICT Journal. 2017. Vol. 1, N 1. P. 1–4. https://doi.org/10.33260/zictjournal.v1i1.8.

12. MongoDB in Action / K. Banker, P. Bakkum, S. Verch, D. Garrett, T. Hawkins. 2nd ed. Shelter Island; New York: Manning Publications, 2016. 480 p.

13. Thakker F., Patel R. Cloud-based Lead-I ECG Feature Extraction and One-Class SVM Classification with MongoDB Storage for Accurate Detection of Tachycardia, SR, and ST Depression // International Journal of Computer Applications. 2025. Vol. 187, N 63. P. 19–25. https://doi.org/10.5120/ijca2025926038.

14. Application of Modern Methods of Determining Characteristic Points of an Electrocardiogram for Ultra-high Resolution Electrocardiosignals / K. V. Zaichenko, A. A. Afanasenko, E. A. Denisova [et al.] // 2024 X International Conference on Information Technology and Nanotechnology (ITNT). IEEE, 2024. P. 1–4. https://doi.org/10.1109/ITNT60778. 2024.10582322.

15. Zaichenko K. V., Afanasenko A. S., Shevyakov D. O. Application of synchronous capture for ultra-high resolution electrocardiography // Biomedical Engineering. 2024. Vol. 57. P. 350–352. https://doi.org/10.1007/s10527-023-10332-5.