Разработка интеллектуальной системы для прогнозирования рисков сердечно-сосудистых заболеваний

Цель исследования заключается в разработке системы прогнозирования рисков сердечно-сосудистых заболеваний по файлам формата EDF и изображениям кардиосигналов.

Методы. Для реализации программной системы был использован язык программирования Python версии 3.10. Прогнозирование рисков сердечно-сосудистых заболеваний происходит с помощью нейронных сетей, архитектура которых была выбрана со структурой многослойного персептрона с одним скрытым слоем. При разработке приложения использовались следующие библиотеки: PyEDFlib, Scikit-leam, SQLite3, PyQtGraph, Pandas, PyWavelets, Scipy, Pillow, OpenCV, Matplotlib. Входными данными программы являются EDF-файлы и изображения кардиосигналов форматов png, jpg, jpeg, bmp и svg.

Результаты. По итогу разработки программного продукта были разработаны интерфейс и архитектура программы. Разработаны и обучены две нейронные сети с общей структурой. Их обучение проводилось методом обратного распространения ошибки. Была разработана база данных для хранения информации о пациентах, заболеваниях и пороговых значениях. Реализованы алгоритмы прогнозирования, обучения нейронной сети, разделения кардиосигнала на PQRST-комплексы, считывания кардиосигнала с изображения и файла EDF.

Заключение. Разработанная программная система, позволяющае прогнозирования рисков сердечно-сосудистых заболеваний, позволит врачам ускорить диагностирование ССЗ и уменьшить время, затрачиваемое на оказание медицинских услуг пациентам, а также улучшить результаты ведения пациентов, находящихся в группе высокого риска. В дальнейшем разработанный программный продукт может быть улучшен и доработан новыми функциями: добавление новых для программной системы сердечно-сосудистых заболеваний и работа с ними, повышение точности прогнозирования, повышение качества считывания данных с изображений.

1. Орлов В. Н. Руководство по электрокардиографии. 9-е изд., испр. М.: Медицинское информационное агентство, 2017. 560 с.

2. Модели латентных предикторов в интеллектуальных системах прогнозирования состояния живых систем / А. В. Кисилев, О. В. Шаталова, З. У. Протасова, С. А. Филист [и др.] // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2020. Т. 10, № 1. С. 114-133.

3. Колтун М. А., Сапон К. С. Некоторые проблемы автоматизации задач в сфере здравоохранения // Аллея науки. 2018. № 1. С. 838-840.

4. Томакова Р. А. Программное обеспечение анализа плохо структурированных изображений в пакете MATLAB для медицинских приложений // Ученые записки Российского государственного социального университета. 2012. № 2 (102). С. 350-354.

5. Шералиев И. И. Информационные технологии и их применение в современной медицине // ACADEMY. 2020. № 3(54). С. 61-63.

6. Гудфеллоу Я. Глубокое обучение. 2-е изд., испр. М.: ДМК Пресс, 2018. 652 с.

7. Еникеева З. А., Рафиков, Д. С. Прогнозирования риска развития сердечно-сосудистых заболеваний с помощью полносвязной глубокой нейронной сети // StudNet. 2022. № 7. С. 7274-7283.

8. Гусев А. В., Кузнецова Т. Ю., Корсаков И. Н. Искусственный интеллект в оценке рисков развития сердечно-сосудистых заболеваний // Российский журнал телемедицины и электронного здравоохранения. 2018. № 3. 85-90.

9. Нейросетевые модули с виртуальными потоками для классификации и прогнозирования функционального состояния сложных систем / А. В. Киселев, Т. В. Петрова, С. В. Дегтярев, А. Ф. Рыбочкин, С. А. Филист, О. В. Шаталова, B. Н. Мишустин // Известия Юго-Западного государственного университета. 2018. № 4 (79). С. 123-134.

10. Кисилев А. В., Филист С. А., Шаталова О. В. Метод синтеза гетерогенных математических моделей прогнозирования рецидивов инфаркта миокарда в реабилитационном периоде // Интеллектуально-информационные технологии и интеллектуальный бизнес (ИНФОС-2019): сборник материалов Х Международной научно-технической конференции / Вологодский государственный университет. Вологда, 2019. C. 28-31.

11. Гибридные нечетки модели для прогнозирования возникновения и осложнений артериальной гипертензии с учетом энергетических характеристик биоактивных точек / М. А. Ефремов, С. А. Филист, О. В. Шаталова [и др.] // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2018. Т. 8, № 4 (29). С. 104-119.

12. Предикторы синхронности системных ритмов живых систем для классификаторов их функциональных состояний / Т. В. Петрова, С. А. Филист, С. В. Дегтярев, А. В. Киселев [и др.] // Системный анализ и управление в биомедицинских системах. 2018. Т. 17, № 3. С. 693-700.

13. The use of Fourier Descriptors for the Classification and Analysis of Peripheral blood Smears Image / R. Tomakova, V. Komkov, E. Emelianov, V. Tomakov // Applications of Mathematics. 2017. Vol. 8. Р. 1563.

14. Джулли А. Библиотека Keras - инструмент глубокого обучения. Реализация нейронных сетей с помощью библиотек Theano и tensorFlow. М.: ДМК Пресс, 2018. 294 с.

15. Борисовский С. А., Брежнева А. Н., Томакова Р. А. Нейросетевые модели с иерархическим пространством информативных признаков для сегментации плохо-структурированных изображений // Биомедицинская радиоэлектроника. 2010. № 2. С. 49-53.

16. Джоши П. Искусственный интеллект с примерами на Python. СПб.: Диалектика, 2019. 448 с.

17. Методы и алгоритмы контурного анализа для задач классификации сложно-структурируемых изображений / М. В. Дюдин, А. Д. Поваляев, Е. С. Подвальный, Р. А. Томакова // Вестник Воронежского государственного технического университета. 2014. Т. 10, № 3-1. С. 54-59.

18. Tomakova R. A., Filist S. A., Pykhtin A. I. Development and Research of Methods and Algorithms for Intelligent Systems for Complex Structured Images Classification // Journal of Engineering and Applied Sciences. 2017. Vol. 12, N 22. P. 6039-6041.

19. Любанович Б. Простой Python. Современный стиль программирования. СПб.: Питер, 2021. 592 с.

20. Белик А. Г., Цыганенко В. Н. Проектирование и архитектура программных систем. Омск: ОмГТУ, 2016. 96 с.