Развитие технологии биоимпедансной спектроскопии в системах поддержки принятия врачебных решений

Цель исследования – развитие методов cпектроскопии биоимпеданса для разработки на их основе объективных и реально доступных критериев оценки тяжести и прогноза заболеваний, а также оценки эффективности методов лечения, разработки критериев к использованию вариантов консервативной терапии и методов хирургических вмешательств у тяжелых больных.

Методы. Предлагаемый метод предполагает использование в качестве модели импеданса сегмента биоматериала рекуррентную модифицированную модель Войта. Для каждой модели сегмента биоматериала строится график Коула в заданном диапазоне частот. На этапе определения параметров каждой из моделей выполняется рекуррентная процедура, которая представляет собой решение систем нелинейных уравнений, начиная с одного звена модели Войта с последующим увеличением их числа на каждом шаге итерации, до тех пор, пока значение ошибки аппроксимации моделью Войта экспериментального графика Коула не достигнет допустимого значения.

Результаты. В результате исследования получены принципиально новые результаты, позволяющие создавать интеллектуальные системы поддержки принятия решений для диагностики социальнозначимых заболеваний. Создана модель биоимпедансного анализа на основе многочастотного измерения биоимпеданса, позволяющая разложить импеданс биоматериала на структурные элементы, на основе которых определить дескрипторы для нейросетевых классификаторов медицинского риска. В работе был проведен анализ ошибок классификатора при классификации риска острого деструктивного панкреатита, который показал, что максимальное значение показателей качества различных моделей классификаторов составило 78%, минимальное – 62%, демонстрируя близкие значения к показателям качества метода ультразвуковой диагностики.

Заключение. Использование многочастотного зондирования и модифицированных моделей Войта в нейросетевых классификаторах медицинского риска позволяет построить системы поддержки принятия клинических решений для диагностике социально значимых заболеваний, а также возможность повысить показатели качества классификации и расширить функциональные возможности интеллектуальные системы принятия врачебных решений. 

1. Диагностические возможности неинвазивной биоимпедансометрии / Ю. В. Торнуев, Д. Л. Непомнящих, Д. Б. Никитюк [и др.] // Фундаментальные исследования. 2014. № 10-4. С. 782–788.

2. Barsoukov E., Macdonald J. R. Impedance Spectroscopy Theory, Experiment, and Applications. 2 nd ed. New Jersey: Wiley Interscience Publication, 2005. 595 p.

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

4. 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 (31). С. 1–14.

5. 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.

6. Филист С. А., Кузьмин А. А., Кузьмина М. Н. Биотехническая система для контроля импеданса биоматериалов в экспериментах invivo // Биомедицинская радиоэлектроника. 2014. № 9. С. 38–42.

7. 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.

8. 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 (30). С. 26–38.

9. Biotechnical system based on fuzzy logic prediction for surgical risk classification using analysis of current-voltage characteristics of acupuncture points / S. Filist, O. Shatalova, N. Korenevskiy [et al.] // Journal of Integrative Medicine. 2022. N 20 (3). P. 252–264.

10. 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.

11. Classifier for the functional state of the respiratory system via descriptors determined by using multimodal technology / S. A. Filist, R. T. Al-Kasasbeh, O. V. Shatalova [et al.] // Computer Methods in Biomechanics and Biomedical Engineering. 2022. Р. 1–19.

12. Developing neural network model for predicting cardiac and cardiovascular health using bioelectrical signal processing / S. Filist, O. Shatalova, N. Korenevskiy [et al.] // Computer Methods in Biomechanics and Biomedical Engineering. 2021. P. 908–921.

13. 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 [et al.] // Computer Methods in Biomechanics and Biomedical Engineering. 2021. Vol. 24, N 13. P. 1504–1516.

14. 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(1). P. 012045.

15. 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(1). P. 012013.

16. 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. ITIDMS 2021 – Proceedings of the International Scientific and Practical Conference "Information Technologies and Intelligent Decision Making Systems", 2021. Р. 25.

17. Филист С. А., Алексенко В. А., Кабус Кассим. Гибридные информационные технологии по экспресс-диагностике инфекционных заболеваний на основе многочастотного анализа пассивных свойств биотканей // Известия Южного федерального университета. Технические науки. Тематический выпуск. Медицинские информационные системы. 2010. № 8(109). С. 12–17.

18. 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.

19. 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.

20. 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.

21. Модель формирования функциональных систем с учетом менеджмента адаптационного потенциала / С. А. Филист, А. Н. Шуткин, Е. С. Шкатова, С. В. Дегтярев, Д. Ю. Савинов // Биотехносфера. 2018. № 1(55).С. 32–37.

22. Попечителев Е. П., Филист С. А. Способы и модели идентификации биоматериалов на основе анализа многочастотного импеданса // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника. Медицинское приборостроение. 2011. № 1. С. 74–80.

23. Свиридов С. В., Николаев Д. В., Гафоров Д. А. Исследование водных секторов у хирургических больных острым панкреатитом методом биоимпедансометрии // Российский медицинский журнал. 2010. № 3. С. 23–27.